statchMATLAB实战：Friedman检验从入门到精通（附完整代码与避坑指南）
在算法性能比较的科研工作中，我们常常需要判断多个算法在统计意义上是否存在显著差异。Friedman检验作为一种非参数统计方法，特别适合处理多个相关样本的比较问题。本文将带您深入掌握MATLAB中friedman函数的完整应用流程，解决实际科研中的排名方向困惑、数据格式转换等典型问题。
1. Friedman检验核心原理与适用场景
Friedman检验的本质是双向秩方差分析，它通过对每个样本块（如数据集）内的算法性能进行排序，再计算各算法在所有块中的平均秩次。与ANOVA等参数检验不同，它不要求数据服从正态分布，特别适合：
- 小样本量情况（n<30）
- 数据分布未知或明显非正态
- 多个相关算法在相同测试集上的性能比较
注意：当比较的算法超过5个时，建议考虑后续的Nemenyi等事后检验，以控制多重比较误差。
在MATLAB中，典型的数据矩阵D应为m×n结构，其中：
- 行（m）：代表不同的测试样本/数据集
- 列（n）：代表不同的算法
例如比较4种优化算法在30个测试函数上的表现，矩阵应为30行×4列。MATLAB默认按列计算排名，这与Python等工具的默认行为不同，需要特别注意。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据准备与函数调用全流程
2.1 数据矩阵构建规范
正确的数据组织是分析的前提。假设我们比较算法A、B、C在10个基准函数上的运行结果：
matlab复制% 示例数据：10个函数×3种算法
D = [0.12 0.08 0.15; % 函数1上ABC的表现
0.23 0.11 0.18; % 函数2
... % 其他数据
0.09 0.07 0.12]; % 函数10
常见错误处理方式：
- 方向混淆：若原始数据为算法×函数，需转置矩阵
- 缺失值：Friedman检验要求完整数据，需提前处理缺失
- 数据类型：确保全部为数值型，避免字符型混入
2.2 函数调用与结果解析
基础调用方式返回三个关键输出：
matlab复制[p, table, stats] = friedman(D, 1, 'off'); % 关闭图形显示