以表2.5中的數(shù)據(jù)為例，先根據(jù)式(2.34)和(2.35)計(jì)算出TF=24.429，由表2.6可知，它大于a=0.05時(shí)的F檢驗(yàn)臨界值5.143，因此拒絕“所有算法性能相同”這個(gè)假設(shè)．然后使用Nemenyi后續(xù)檢驗(yàn)，在表2.7中找到k=3時(shí)qo.os=2.344，根據(jù)式(2.36)計(jì)算出臨界值域CD=1.657，由表2.5中的平均序值可知，算法A與B的差距，以及算法B與C的差距均未超過臨界值域，而算法A與C的差距超過臨界值域，因此檢驗(yàn)結(jié)果認(rèn)為算法A與C的性能顯著不同，而算法A與B、以及算法B與C的性能沒有顯著差別．上述檢驗(yàn)比較可以直觀地用Friedman檢驗(yàn)圖顯示．例如根據(jù)表2.5的序值結(jié)果可繪制出圖2.8，圖中縱軸顯示各個(gè)算法，橫軸是平均序值，對(duì)每個(gè)算法，用一個(gè)圓點(diǎn)顯示其平均序值，以圓點(diǎn)為中心的橫線段表示臨界值域的大小．然后就可從圖中觀察，若兩個(gè)算法的橫線段有交疊，則說明這兩個(gè)算法沒有顯著差別，否則即說明有顯著差別．從圖2.8中可容易地看出，算法A與B沒有顯著差別，因?yàn)樗鼈兊臋M線段有交疊區(qū)域，而算法A顯著優(yōu)于算法C，因?yàn)樗鼈兊臋M線段沒有交疊區(qū)域， 對(duì)學(xué)習(xí)算法除了通過實(shí)驗(yàn)估計(jì)其泛化性能，人們往往還希望了解它“為什么”具有這樣的性能．“偏差一方差分解”(bias-variance decomposition)是解釋學(xué)習(xí)算法泛化性能的一種重要工具，偏差一方差分解試圖對(duì)學(xué)習(xí)算法的期望泛化錯(cuò)誤率進(jìn)行拆解．我們知道，算法在不同訓(xùn)練集上學(xué)得的結(jié)果很可能不同，即便這些訓(xùn)練集是來自同一個(gè)分布．