- 博客(11)
- 收藏
- 关注
RSS订阅原创 测试开发学习day03——软件测试的需求分析
测试需要求主要解决“测什么”的问题，一般根据需求规格说明书明确测试的内容，细分需求（提取测试点）测试需求应全部覆盖一定义的业务流程，以及功能和非功能方面的需求功能需求：业务流程------优先考虑非功能需求：界面、文档、兼容性、易用性、性能、安全性每个测试需求又分为若干个测试点测试点：软包含多个功能点，每个功能点包含多个子功能点（测试点），测试点是软件细分的最小单元例：某用户管理功能登陆页面1、界面检查，参考原型图，与原型图一致2、用户名密码可编辑、必填3、点击注册按钮进入新用户注册页面。
2025-04-09 13:45:19
818
原创 测试开发学习day02——软件测试的流程
主流软件测试模型有v模型和w模型：w模型：可见w模型中开发流程和测试流程为并行状态，基本一一对应v模型：与w模型不同，v模型的开发和测试流程并不并行，二十在开发流程全部结束后才开始进行测试的流程，效率较低，周期较长（面试中问到如何测试xxx，优先考虑从以上方面作答，在后续学习中会提及）项目立项——》项目需求分析------开发、项目经理测试需求分析阶段：阅读需求，理解需求，主要就是对业务的学习，分析需求点。参与需求评审会议测试计划阶段：主要任务是编写测试计划。
2025-04-08 18:08:55
760
原创 测试开发学习day01——测试的分类
本次博客内容较为简单，主要内容是测试开发入门的基础知识，根据不同的网课资料还有如下补充1.按阶段分类时，集成测试又称接口测试，是现如今测试行业的主流部分2.按阶段划分和按代码可见度划分的部分又可相互对应，如：单元测试主要为白盒测试接口测试主要为灰盒测试系统测试和验收测试主要为黑盒测试（欢迎补充纠正）
2025-04-02 08:10:35
471
原创 机器学习实验——主成分分析（PCA）
主成分分析（PCA）是一种常用的数据降维技术，它可以将高维数据集转换为低维数据集，同时保留数据集中的主要特征。1.降维：PCA可以有效地将高维数据集转换为低维数据集，从而减少计算复杂度、存储需求和处理时间。2.去除噪声：通过保留主要成分（即解释数据方差最大的方向），PCA可以帮助去除数据中的噪声，提升模型的性能。3.提高可视化效果：PCA可以将高维数据投影到二维或三维空间，便于数据的可视化和理解。4.特征选择：PCA可以识别出数据中最重要的特征，有助于特征选择和特征工程。
2024-06-18 13:01:32
1047
原创 机器学习实验——支持向量机（SVM）
支持向量机（Support Vector Machine，SVM）是一种监督学习算法，用于分类和回归分析。其基本原理是找到一个最优的超平面，将不同类别的数据点分隔开来，并且使得间隔最大化。在分类问题中，SVM试图找到一个能够将不同类别数据点分隔开的最佳决策边界，这个边界由离该边界最近的一些训练数据点组成，它们被称为支持向量。超平面是几何学和线性代数中的一个重要概念，特别常见于支持向量机（SVM）等机器学习算法中。简单来说，超平面是一个维度比所在空间低一维的子空间，它将空间分割成两个部分。
2024-06-11 16:41:26
1573
1
原创 机器学习实验之逻辑回归
X = np.hstack((np.ones((m, 1)), X)) # 添加偏置项X是一个m×n的特征矩阵，其中m是样本数量，n是特征数量。y是一个长度为m的标签向量。是梯度下降的学习率，控制每次参数更新的步长。iterations是迭代次数，指定梯度下降的更新次数。在函数内部，首先对输入特征矩阵X添加了偏置项，然后初始化参数θ为全零向量。接下来通过迭代更新θ，直到达到指定的迭代次数。在每次迭代中，计算预测值ℎ，然后根据预测值和真实标签计算梯度，并利用梯度下降算法更新参数θ。这个predict。
2024-05-29 15:42:43
1049
原创 机器学习实验三——贝叶斯分类器的简单应用
ybnum所存储的是每个类别的样本数量，tznum所存储的是每个预测类别的样本所对应的特征的数量，classes所存储的则是预测样本的类别，即‘是’或‘否’# 存储每个类别的样本数量# 存储每个预测类别的样本对应的特征的数量# 存储预测类别实验时，通过该方法进行分类时，不是每次都能得到理想的结果，与理想中的结果存在一定误差，需要通过不断完善训练集来提高分类准确性。其次，使用该分类器时注意各个特征需相互独立，否则难以得到准确结果。
2024-05-14 17:05:42
1141
1
原创 机器学习实验二——决策树（肉食性动物与草食性动物的区分）
决策树是一种基于树形结构的机器学习模型，用于进行分类和回归任务。它通过一系列的决策节点和分支来对数据进行分类或预测。决策树的每个节点表示一个特征，每个分支表示该特征可能的取值，而每个叶子节点则表示一个类别（对于分类任务）或一个数值（对于回归任务）。在分类任务中，决策树通过对数据进行分裂，将其划分为不同的类别。在每个节点上，决策树根据某个特征的取值将数据分割成子集，然后递归地对每个子集进行进一步的分裂，直到满足停止条件，例如节点中的样本都属于同一类别或达到了树的最大深度。
2024-04-30 09:10:05
656
1
原创 机器学习KNN算法简单应用（影片分类）
主要思路为获取数据后，计算其欧氏距离，并根据每个点的距离进行排序，取出前k（前文选取k值为3）个点的类别（标签），对这k个点中，不同标签出现的次数进行排序，返回出现次数最多的标签，用该标签表示测试点的类别。给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的 k 个实例，这个实例的多数属于某个类，就把该输入实例分为这个类（概括为近朱者赤近墨者黑）KNN算法中k的选择影响着分类结果的精确度，需选取合适的k值，由于本次训练集中的数据较少，k值选定为3。（一）本次分类中所应用到的库。
2024-04-01 21:20:23
775
原创 Anaconda安装
2.打开安装程序后，出现以下界面，点击next并同意相关内容。1.在官网查找Anaconda安装程序。3.选择just me，点击next。（1）找到该程序并打开。
2024-03-19 13:03:37
391
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人