向前验证中的威尔科克森检验？

如何解决向前验证中的威尔科克森检验？

我有时间序列数据并尝试与分类器（在分类问题中）A 和 B 的性能进行比较。我使用前向验证来训练和验证模型并比较它们，但我还需要以统计方式比较分类器的性能。

由于我的数据集是时间序列并且不是正态分布的，所以我不能使用这个博客here中描述的简单的“K-fold配对t-test”如下：

   from sklearn.linear_model import LogisticRegression
   from sklearn.tree import DecisionTreeClassifier
   from mlxtend.data import iris_data
   from sklearn.model_selection import train_test_split


   X,y = iris_data()
   clf1 = LogisticRegression(random_state=1)
   clf2 = DecisionTreeClassifier(random_state=1)

   X_train,X_test,y_train,y_test = \
   train_test_split(X,y,test_size=0.25,random_state=123)

   score1 = clf1.fit(X_train,y_train).score(X_test,y_test)
   score2 = clf2.fit(X_train,y_test)

   print('Logistic regression accuracy: %.2f%%' % (score1*100))
   print('Decision tree accuracy: %.2f%%' % (score2*100))


   from mlxtend.evaluate import paired_ttest_kfold_cv


   t,p = paired_ttest_kfold_cv(estimator1=clf1,estimator2=clf2,X=X,y=y,random_seed=1)

   print('t statistic: %.3f' % t)
   print('p value: %.3f' % p)

所以我应该使用在前向验证中运行 Wilcoxon 文本的东西。有解决问题的想法吗？