第八章 机器学习测试基础
8.1 了解机器学习的周期
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-znsVkDI6-1626365517133)(/Users/wengzhiqiang/Library/Application Support/typora-user-images/image-20210715234727272.png)]
- 收集数据:包括数据的采集、数据集划分等等工作;
- 特征工程:对收集的数据进行数据预处理、对特征依各种指标进行选择等等;
- 训练模型:包括模型选择、调参、模型评估等工作。
8.2 测试难点
- 数据获取困难;
- 数据质量难以保证(这里包括数据的分布、数据中outlier等等);
- 特征质量;
- 结果验证:线下模型评估;
- 线上服务效果验证:线上服务模型结果预期以及模型后期变化。
8.3 测试重点
8.3.1 数据质量
通过检验数据的统计信息、梳理数据与业务的关系、定期巡视等方案。
8.3.2 特征质量
- 特征阈值;
- 特征与结果相关性;
- 特征一致性:线上线下&前后一致;
- 特征计算开销;
- 特征合规性;
- 特征计算代码单元测试;
- 特征计算代码检查。