我是这个领域的新手。在使用统计测试比较算法时，我遇到了一些问题。我有一些分类算法的 Gmean 的以下结果。Abalone、Balance-scale、Car、Chess 是这里的数据集，而 ROS、RUS、RFS、NoS 是算法。

如果我想使用一些统计测试（例如 t 检验、Friedmen 检验、Wilcoxon 检验等）比较哪个数据集比其他数据集更好，那么我可以使用下表比较算法吗？

                  ROS       RUS     RFS     NoS
Abalone           0.003     0.0036  0.0039  0
Balance-scale     0.8858    0.8065  0.8966  0.9417
Car               0.9191    0.7216  0.9056  0.9094
Chess             0.4912    0.1973  0.5084  0.1438

如果有人对此有任何想法，请帮助我。或者，您可以分享我可以找到解决方案的任何参考资料。我研究了这些统计检验、零假设、p 值等，但不明白是否可以使用 Gmean 比较这些算法。

***G-mean = 几何平均值，用于评估多类分类器的性能

提前致谢。