在处理数据时，尤其是在机器学习中，我们经常需要根据样本做出判断或验证假定。新模型是否明显优于旧模型？某个特定特征是否有可测量的影响？假设检验提供了一个有结构的统计体系来回答此类问题。

本章涵盖了假设检验的基本知识。您将学习如何：

• 建立零假设 ($H_0$) 和备择假设 ($H_1$)。
• 理解第一类 ($\alpha$) 和第二类 ($\beta$) 错误之间的权衡。
• 解读 p 值以做出统计判断。
• 应用常用检验方法，包括用于比较均值的 t 检验和用于分类数据分析的卡方检验。
• 对方差分析 (ANOVA) 有一个概览，用于比较多个组。

我们还将演示如何使用 Python 的 SciPy 库高效地实现这些检验，提供实用的工具用于模型评估和数据分析。