# Nemenyi 临界差与 Friedman 排名图

Friedman 与 Iman-Davenport 检验（精确 p 值）、平均排名、Nemenyi 临界差与经典 CD 图（含无显著差异 clique），另可叠加对对照模型的 Bonferroni-Dunn。

> 标准页面: https://elysiatools.com/zh/tools/nemenyi-critical-difference-friedman-rank-plotter

- **分类:** Data Analysis

- **关键词:** nemenyi, friedman 检验, 临界差, cd 图, demsar, 基准对比

## 概述

Nemenyi 临界差与 Friedman 排名图工具专为多算法在多数据集上的基准评估设计，可自动计算 Friedman 与 Iman-Davenport 检验统计量、各模型平均排名，并生成符合 Demšar 规范的临界差（CD）图及无显著差异分组连线，支持 Nemenyi 全两两对比与面向基线模型的 Bonferroni-Dunn 事后检验。

## 输入项

- **得分矩阵（表头：数据集名、模型名；行：得分）** (textarea): dataset, Random Forest, XGBoost, MLP, Logistic dataset-a, 0.91, 0.90, 0.88, 0.84 dataset-b, 0.82, 0.85, 0.80, 0.79
- **指标方向** (select)
- **显著性水平 α** (select)
- **事后检验方法** (select)
- **对照模型（Bonferroni-Dunn 用）** (text): exact column name of the baseline model

## 适用场景

- 在多个基准数据集上对比 3 个及以上算法的分类或回归性能并需要严谨统计检验时。
- 撰写学术论文或技术报告，需要绘制包含无显著差异 clique 连线的 Demšar CD 排名图时。
- 评估新算法相较于既有基线对照模型（Control Baseline）是否存在统计学显著改进时。

## 工作原理

- 输入包含数据集名称与各模型表现的得分矩阵（CSV 格式），并设定指标评价方向（越大越好或越小越好）。
- 配置显著性水平 α（0.05 或 0.10）及事后检验方法（Nemenyi 全两两检验或针对基线的 Bonferroni-Dunn 检验）。
- 系统按行计算模型排名，执行 Friedman 与 Iman-Davenport 假设检验以计算统计量与精确 p 值，并求得临界差 CD。
- 自动生成平均排名表、成对比较显著性结论及可视化的 CD 排名图，并用横线连结无显著差异的模型组（cliques）。

## 使用案例

- 学术论文基准对比：汇总多分类模型在公开数据集上的准确率或 AUC，一键输出标准 Demšar CD 图。
- 工业模型选型评估：在多个业务测试集上横向对比多个候选模型的综合性能与统计稳定性。
- 算法迭代回归验证：指定当前线上版本为对照模型，通过 Bonferroni-Dunn 检验确认新版本算法的提升是否显著。

## 常见问题

### 输入的得分矩阵需要遵循什么格式？

采用 CSV 文本格式，第一行为表头（第一列为数据集列名，其余为各模型名称），后续每行为对应数据集上的数值得分。

### 指标方向“越大越好”与“越小越好”对计算有何影响？

指标方向决定了单数据集内排名的升降序规则，例如准确率越高排名越前（数字越小），而 RMSE 越低排名越前。

### 何时应该选择 Bonferroni-Dunn 而非 Nemenyi 检验？

当只需检验所有新模型与一个特定对照模型（Baseline）的差异时选择 Bonferroni-Dunn；当需要分析所有模型相互之间的两两差异时选择 Nemenyi。

### CD 图中的横线连线（Clique）代表什么含义？

被同一横线连结的模型表示其平均排名差异小于临界差 CD，在设定的显著性水平 α 下差异不具有统计显著性。

### 工具中 Iman-Davenport 检验的作用是什么？

Iman-Davenport 检验是对经典 Friedman 卡方统计量的 F 分布修正，克服了原检验在数据集或模型数量较少时过于保守的缺陷。

## 相关工具

- [峰度分析器](https://elysiatools.com/zh/tools/kurtosis-analyzer): 分析数据峰度来衡量分布的"尾部性"并检测重尾或轻尾模式
- [相关性分析器](https://elysiatools.com/zh/tools/correlation-analyzer): 高级相关性分析工具，计算变量之间的相关系数以衡量它们线性关系的强度和方向。完美适用于统计分析、金融建模、科学研究和数据探索。 功能特点： - 多种相关性方法（皮尔逊、斯皮尔曼、肯德尔） - 相关性矩阵生成 - 统计显著性检验（p值） - 置信区间计算 - 热图可视化 - 散点图矩阵生成 - 缺失值处理策略 - 异常值检测和处理 - 分组分析能力 - 详细统计报告 常见用途： - 金融市场分析和风险评估 - 科学研究和假设检验 - 客户行为和营销分析 - 医疗和医疗数据分析 - 质量控制和流程优化 - 教育绩效评估
- [数据透视表生成器](https://elysiatools.com/zh/tools/pivot-table-generator): 从CSV/JSON数据生成交互式数据透视表，支持自定义行、列和值字段配置
- [回归分析器](https://elysiatools.com/zh/tools/regression-analyzer): 高级回归分析工具，执行线性回归分析、计算回归统计量和进行预测。完美适用于统计建模、趋势分析、预测和理解变量之间的关系。 功能特点： - 简单线性回归（y = mx + b） - 多元线性回归支持 - 回归系数计算 - 统计显著性检验 - R平方和调整R平方 - 残差分析和诊断 - 预测区间和置信区间 - 回归中的异常值检测 - 模型验证指标 - 可视化回归诊断 - 数据转换支持 常见用途： - 销售预测和趋势分析 - 金融建模和风险评估 - 科学研究和假设检验 - 质量控制和流程优化 - 营销分析和投资回报率分析 - 医学和生物研究
- [偏度分析器](https://elysiatools.com/zh/tools/skewness-analyzer): 分析数据偏度来衡量概率分布的不对称性并识别数据模式
- [AI 域名创意生成器](https://elysiatools.com/zh/tools/ai-domain-name-idea-generator): 输入品牌关键词,让 AI 生成最多 10 个创意域名,自动用 DNS 粗筛 + RDAP 复验可用性,过滤掉已注册的。面向创业者、独立开发者、品牌策划。
- [浮力计算器 (阿基米德，F = ρ·V·g)](https://elysiatools.com/zh/tools/buoyancy-calculator): 由浮力、流体密度、体积中的任意两个求第三个，并按物体密度判定漂浮/悬浮/下沉
- [队列留存与 RFM 漏斗分析器](https://elysiatools.com/zh/tools/cohort-retention-rfm-funnel-analyzer): 粘贴订单或事件 CSV，一页得到增长分析全家桶：带热力图的队列留存三角、RFM 五分位评分映射到十个标准生命周期分层、以及严格顺序漏斗。

## 示例

- [Web Python 图像处理示例](https://elysiatools.com/zh/samples/web-image-processing-python): Web Python 图像处理示例，使用 PIL/Pillow 包括读取、保存、缩放和格式转换
- [Android Java 图像处理示例](https://elysiatools.com/zh/samples/android-image-processing-java): Android Java 图像处理示例，包括图像读取保存、缩放和格式转换
- [Android Kotlin 图像处理示例](https://elysiatools.com/zh/samples/android-image-processing-kotlin): Android Kotlin 图像处理示例，包括图像读取保存、缩放和格式转换
- [Web Rust 图像处理示例](https://elysiatools.com/zh/samples/web-image-processing-rust): Web Rust 图像处理示例，包括图像读取保存、缩放和格式转换