คุณสามารถอ้างอิงอาหารกลางวันทฤษฎีบทไม่มีฟรีถ้าคุณต้องการ แต่คุณสามารถก็เป็นเพียงแค่ยกModus Ponens (ที่เรียกกันว่ากฎหมายของออกพื้นฐานของเหตุผลแบบนิรนัย) ซึ่งเป็นรากของอาหารกลางวันฟรีไม่มีทฤษฏี
The Noem กลางวันฟรีทฤษฎีบทครอบคลุมแนวคิดที่เฉพาะเจาะจงมากขึ้น: ความจริงที่ว่าไม่มีอัลกอริทึมที่เหมาะสมกับทุกวัตถุประสงค์ ในคำอื่น ๆ ที่ไม่มีอาหารกลางวันฟรีทฤษฎีบทเป็นพื้นบอกว่าไม่มีอัลกอริทึมbullet มายากล รากนี้ใน Modus Ponens เพราะสำหรับอัลกอริทึมหรือการทดสอบทางสถิติเพื่อให้ผลลัพธ์ที่ถูกต้องคุณจะต้องตอบสนอง premisses
เช่นเดียวกับในทุกทฤษฎีทางคณิตศาสตร์หากคุณละเมิด premisses แล้วการทดสอบทางสถิติก็หมดความรู้สึกและคุณไม่สามารถได้รับความจริงใด ๆ จากมัน ดังนั้นหากคุณต้องการอธิบายข้อมูลของคุณโดยใช้การทดสอบคุณต้องสมมติว่ามีคุณสมบัติตามที่กำหนดหากไม่ได้ (และคุณรู้ว่า) การทดสอบของคุณนั้นผิดปกติ
นั่นเป็นเพราะการใช้เหตุผลทางวิทยาศาสตร์นั้นมาจากการหัก: โดยทั่วไปการทดสอบ / กฎหมาย / ทฤษฎีบทของคุณนั้นเป็นกฎเกณฑ์ซึ่งบอกว่าถ้าคุณมี premisse Aคุณก็สามารถสรุปได้B: A=>Bแต่ถ้าคุณไม่มีAคุณก็สามารถมีBหรือ ไม่Bและทั้งสองกรณีเป็นจริงนั่นเป็นหนึ่งในหลักการพื้นฐานของการอนุมานเชิงตรรกะ / การอนุมาน (กฎ Modus Ponens) กล่าวอีกนัยหนึ่งถ้าคุณละเมิด premisses ผลลัพธ์ไม่สำคัญและคุณไม่สามารถอนุมานอะไรเลย
จำตารางไบนารีของความหมาย:
A B A=>B
F F T
F T T
T F F
T T T
Dependent_Variables => ANOVA_correctดังนั้นในกรณีของคุณจะลดความซับซ้อนของคุณมี ตอนนี้ถ้าคุณใช้ตัวแปรอิสระจึงDependent_Variablesเป็นFalseแล้วอาการจะเป็นจริงเนื่องจากDependent_Variablesสมมติฐานการละเมิด
แน่นอนว่านี่เป็นเรื่องง่ายและในทางปฏิบัติการทดสอบ ANOVA ของคุณอาจยังให้ผลลัพธ์ที่มีประโยชน์เพราะเกือบจะมีระดับความเป็นอิสระระหว่างตัวแปรตาม แต่ก็ให้ความคิดว่าทำไมคุณไม่สามารถพึ่งพาการทดสอบได้โดยไม่ต้องทำตามสมมติฐาน .
อย่างไรก็ตามคุณยังสามารถใช้การทดสอบที่ไม่ได้รับความพึงพอใจจากต้นฉบับโดยการลดปัญหาของคุณ: โดยการผ่อนคลายข้อ จำกัด ความเป็นอิสระอย่างชัดเจนผลลัพธ์ของคุณอาจยังมีความหมายไม่รับประกัน althrough (เพราะผลลัพธ์ของคุณจะใช้กับปัญหาที่ลดลง ปัญหาทั้งหมดดังนั้นคุณจึงไม่สามารถแปลทุกผลลัพธ์ยกเว้นว่าคุณสามารถพิสูจน์ได้ว่าข้อ จำกัด เพิ่มเติมของปัญหาใหม่ไม่ส่งผลกระทบต่อการทดสอบและผลลัพธ์ของคุณ)
ในทางปฏิบัติสิ่งนี้มักถูกใช้เพื่อทำแบบจำลองข้อมูลเชิงปฏิบัติโดยใช้ Naive Bayes ตัวอย่างเช่นโดยการสร้างแบบจำลองตัวแปรที่พึ่งพา (แทนที่จะเป็นอิสระ) โดยใช้แบบจำลองที่ใช้ตัวแปรอิสระและน่าแปลกใจที่มันทำงานได้ดีมาก สำหรับการอ้างอิง นอกจากนี้คุณยังสามารถได้รับความสนใจจากคำถามเกี่ยวกับวิธีการใช้การวิเคราะห์ความแปรปรวนเมื่อข้อมูลที่ไม่ตรงตามความคาดหวังทั้งหมด
เพื่อสรุป: หากคุณตั้งใจจะทำงานกับข้อมูลที่เป็นประโยชน์และเป้าหมายของคุณคือไม่ต้องพิสูจน์ผลลัพธ์ทางวิทยาศาสตร์ใด ๆ แต่เพื่อสร้างระบบที่ใช้งานได้ (เช่นบริการเว็บหรือแอปพลิเคชันที่ใช้งานได้จริง) สมมติฐานความเป็นอิสระ สามารถผ่อนคลาย แต่ถ้าคุณกำลังพยายามที่จะอนุมาน / พิสูจน์ความจริงบางอย่างโดยทั่วไปแล้วคุณควรมักจะใช้การทดสอบซึ่งคุณสามารถรับประกันทางคณิตศาสตร์ (หรืออย่างน้อยได้อย่างปลอดภัยและสรรพสิ่งสมมติ) ที่คุณตอบสนองความ premisses