以表2.5中的數(shù)據(jù)為例，先根據(jù)式(2.34)和(2.35)計算出TF=24.429，由表2.6可知，它大于a=0.05時的F檢驗臨界值5.143，因此拒絕“所有算法性能相同”這個假設(shè)．然后使用Nemenyi后續(xù)檢驗，在表2.7中找到k=3時qo.os=2.344，根據(jù)式(2.36)計算出臨界值域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，因此檢驗結(jié)果認為算法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．上述檢驗比較可以直觀地用Friedman檢驗圖顯示．例如根據(jù)表2.5的序值結(jié)果可繪制出圖2.8，圖中縱軸顯示各個算法，橫軸是平均序值，對每個算法，用一個圓點顯示其平均序值，以圓點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，若兩個算法的橫線段有交疊，則說明這兩個算法沒有顯著差別，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，因為它們的橫線段有交疊區(qū)域，而算法A顯著優(yōu)于算法C，因為它們的橫線段沒有交疊區(qū)域， 對學習算法除了通過實驗估計其泛化性能，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)是解釋學習算法泛化性能的一種重要工具，偏差一方差分解試圖對學習算法的期望泛化錯誤率進行拆解．我們知道，算法在不同訓練集上學得的結(jié)果很可能不同，即便這些訓練集是來自同一個分布．