同质性和独立性检验三种不同卡方检验（Read-Cressie、Pearson或Log Likelihood）-matlab应用开发

在博文中，详细介绍了使用Matlab对深圳成指数据进行正态性检验的方法。

使用Lilliefors正态性检验评估数据分布是否符合正态分布。

Matlab开发-D'Agostino-Pearson检验，用于评估数据向量的正态性。

使用线性内核和标准化 使用线性内核和L2正则化 使用多项式内核和标准化

数据独立性是指应用程序在物理存储变化时保持不变的能力，包括逻辑独立性和物理独立性。逻辑独立性保证了概念模式变化时外模式不受影响，DBMS只需调整模式映射即可保持应用程序的稳定。

卡方检验: 基于列联表的行分布比较 此函数执行卡方检验，以确定列联表中行变量的分布是否因列变量而异。零假设是行变量的分布独立于列变量。 输入：- x：m×n 列联表，其中 m 为行数，n 为列数。 输出：- h：检验结果。- 1 表示在 5% 显着性水平上拒绝原假设。- 0 表示在 5% 显着性水平上未能拒绝原假设。- p：观察值作为卡方检验统计量的极端或更极端的概率。- X2：卡方检验统计量。 可选输入：- alpha：显着性水平。默认值为 0.05。

这是我们对SPD矩阵非线性学习提出的轻量级联SPD歧管深度学习网络的Matlab实现。如果您发现这篇文章对您的研究有帮助，请引用以下内容：R. Wang, X.-J. Wu, 和 J. Kittler的“SymNet: A Simple Symmetric Positive Definite Manifold Deep Learning Method for Image Set Classification”，发表于2020年IEEE Transactions on Neural Networks and Learning Systems。SymNet-v1文件夹包含三个.m文件：(1) deepmain.m是主文件，实现了SymNet-v1的结构；(2) computeCov.m用于计算训练和测试图像集的SPD矩阵。

朴素贝叶斯分类器基于一个关键假设：给定类别标签 y，属性之间是条件独立的。这意味着，在确定样本属于某个类别的情况下，其各个属性的值不受其他属性的影响。 用数学语言表达，条件独立假设可以写作： P(X = (x1, x2, ..., xn) | y) = P(x1 | y) * P(x2 | y) * ... * P(xn | y) 其中，X = (x1, x2, ..., xn) 代表样本的属性向量，每个 xi 代表一个属性的值。

两独立样本t检验用于判断两组独立样本数据的均值是否存在显著差异。例如，探究男女学生在计算机平均成绩上是否存在显著差异。 进行两独立样本t检验需要满足以下条件： 样本独立性: 两样本必须相互独立，即一组样本的抽取对另一组样本的抽取没有任何影响。例如，比较北京和上海地区周岁儿童的平均身高。 正态性: 两组样本数据均需服从或近似服从正态分布，这是进行t检验的前提条件。