以表2.5中的数据为例，先根据式(2.34)和(2.35)计算出TF=24.429，由表2.6可知，它大于a=0.05时的F检验临界值5.143，因此拒绝“所有算法性能相同”这个假设．然后使用Nemenyi后续检验，在表2.7中找到k=3时qo.os=2.344，根据式(2.36)计算出临界值域CD=1.657，由表2.5中的平均序值可知，算法A与B的差距，以及算法B与C的差距均未超过临界值域，而算法A与C的差距超过临界值域，因此检验结果认为算法A与C的性能显著不同，而算法A与B、以及算法B与C的性能没有显著差别．上述检验比较可以直观地用Friedman检验图显示．例如根据表2.5的序值结果可绘制出图2.8，图中纵轴显示各个算法，横轴是平均序值，对每个算法，用一个圆点显示其平均序值，以圆点为中心的横线段表示临界值域的大小．然后就可从图中观察，若两个算法的横线段有交叠，则说明这两个算法没有显著差别，否则即说明有显著差别．从图2.8中可容易地看出，算法A与B没有显著差别，因为它们的横线段有交叠区域，而算法A显著优于算法C，因为它们的横线段没有交叠区域， 对学习算法除了通过实验估计其泛化性能，人们往往还希望了解它“为什么”具有这样的性能．“偏差一方差分解”(bias-variance decomposition)是解释学习算法泛化性能的一种重要工具，偏差一方差分解试图对学习算法的期望泛化错误率进行拆解．我们知道，算法在不同训练集上学得的结果很可能不同，即便这些训练集是来自同一个分布．