Machine learning 当我们使用10倍交叉验证时，是否需要进行显著性测试？

通常，为了表明我们的结果并非偶然，我们使用了显著性检验，如t检验。但当我们使用10倍交叉验证时，我们学习并测试数据集块上的模态。我想知道，当我们使用10倍交叉验证时，是否需要t检验？更准确地说，我的意思是什么时候我们应该使用10倍交叉验证？

t检验，当应用于两个正态分布变量的差异时，是一种参数检验，用于估计我们对两个变量具有不同期望这一事实的置信度

10倍交叉验证是一种重采样技术，当我们事先不知道统计数据的分布（非参数设置）时，可用于估计统计数据的置信度（例如，但不仅仅是两个随机变量之间的差异）

通过交叉验证，你不会得到很好的“它是显著的”结果，你只是得到了统计估计的分布，其中方差是我们可以拥有的置信度的指标

---

交叉验证通常用于建立非参数回归或分类模型。

T检验是对数据的一种统计检验。假设您正在比较两个数据集，您想知道这两个数据集之间是否存在显著差异。然后你要做一个t检验

交叉验证更多的是一种评估模型的技术。通常用于确保模型不会过度拟合。在构建模型时执行此操作，以确保模型能够推广到未来的数据。这里没有使用任何类型的统计测试。

---

我希望这有助于你的怀疑。

你可能会更幸运地在感谢你的评论处问这个问题@LewisNortonI发现很难找到这两个概念之间的任何相似之处。@cel那么它们的区别是什么？@amirveyseh，如果你能补充一些你认为相似的细节，那就太好了。在我看来，这个问题有点像问飞机和树之间的区别。对于这一点，真的不可能给出合理的答案。