1. 软件测试管理包括那些内容2. 软件测试模型-V模型V模型应用于瀑布模型的每一个工程阶段，即单元测试对应编码，集成测试对应详细设计，系统测试对应概要设计，验收交付测试对应需求分析，属于传统的测试划分。3. 软件测试模型-W测试模型W模型测试的时机不再是编码结束之后，而是从需求分析时开始，且与开发的每一个阶段活动同步进行，通过适时的评审，可以尽早发现和处理软件过程中的缺陷
转载
2024-09-26 17:34:02
53阅读
目录1. 学习目标2. 数据拆分2.1 数据拆分介绍2.2 手动实现数据拆分函数2.3 调用sklearn中的数据拆分函数train_test_split()3. 评价分类结果的指标3.1 准确率（accuracy）3.1.1定义3.1.2 编程实现准确率的计算（以KNN对鸢尾花数据的分类为例）3.2 混淆矩阵及其衍生指标3.2.1 混淆矩阵3.2.2 精确率（precisio
学习目标：1、数据拆分：训练数据集&测试数据集2、评价分类结果：精准度、混淆矩阵、精准率、召回率、F1 Score、ROC曲线等3、评价回归结果：MSE、RMSE、MAE、R Squared知识整理：【1】 模型训练好之后，需要评价模型的好坏，但是测试数据也是需要有对应分类结果的，这时就需要从已有数据中分出测试集和训练集。 我们需要将原始数据中的一部分作为训练数据、
转载
2024-07-29 15:29:42
75阅读
多分类模型常见的评估指标有:“宏”，“微”，汉明损失，IOU，等
二分类问题多分类问题连续变量问题二、简单二分类问题的延伸如果只是简单的二分类问题，只需要一个二分类的混淆矩阵即可对模型进行评估。但如果问题发生如下变化：情况1：基于同一组数据集多次训练/测试不同的模型情况2：基于多个数据集测试评估同一个模型情况3：执行多分类任务 此时，会产生多个不同的混
转载
2024-05-05 21:27:10
56阅读
1. 本文由来 在上一篇文章【一种自动分类数据方法_初探索】中， 雷健辉介绍了一个用机器学习训练数据的简单方法。 算法的选择有很多中， 例如支持向量机svm， 朴素贝叶斯， 决定树（decision tree）等。那么如何判断哪种模型比较适合于训练已有的数据呢？ 本文简单记录了一个判断方法。 2. 概念：过拟合（overfitting），欠拟合（unde
转载
2024-08-28 16:14:45
33阅读
如果你看了前面几篇博客，我们说了决策树，说了adaboost，这次我们说下模型训练和衡量模型的好坏其实我们已经训练了模型了，例如决策树的生成时模型训练，adaboost的实现也是模型训练的过程，所以我们已经训练了好几个模型，只是那个具体的模型，并且我们没有把模型保存下来可能觉得自己不是在训练模型。模型训练的输出是模型，什么是模型呢？我们生成的决策树是模型，adaboost的那几条加权直线也是模型。
转载
2024-05-16 10:40:55
59阅读
在大数据处理领域，Apache Storm 是一个流行的实时计算框架，而它的调度器（scheduler）在性能方面扮演着至关重要的角色。本文就围绕“storm 判断scheduler的好坏”这一问题，讲述我们如何逐步分析、设计和优化调度器，以提升系统的整体性能。
### 背景定位
在使用 Storm 进行分布式数据处理时，我们最初面临的痛点是调度器配置不当导致的任务延迟和系统资源浪费。随着业务
在2025年的今天，大语言模型(LLM)已经成为人工智能领域的核心技术，它们能够理解和生成人类语言，执行复杂的认知任务。
引言：为什么LLM评估如此重要？
在2025年的今天，大语言模型(LLM)已经成为人工智能领域的核心技术，它们能够理解和生成人类语言，执行复杂的认知任务。然而，随着模型能力的不断提升，如何科学、全面地评估这些模型的性能，成为了一个至关重要的问题。
LLM开发流程：
训练 → 评估 → 调优 → 部署 → 监控
↓ ↑ ↓ ↑
数据准备
目录一、背景介绍二、爬虫代码爬虫部分不作讲解。三、可视化代码3.1 读取数据3.2 数据清洗3.3 可视化3.3.1 IP属地分析-柱形图3.3.2 评论时间分析-折线图3.3.3 点赞数分布-直方图3.3.4 评论内容-情感分布饼图3.3.5 评论内容-词云图三、演示视频一、背景介绍我用python抓取了B站上千条评论，并进行可视化分析，下面详细讲解代码。二、爬虫代码爬虫部分不作讲解。三、可视化
转载
2023-09-27 13:15:43
211阅读
一个企业面对大数据的时候，势必会遇到数仓开发，那么数仓开发完之后，如何判断一个数仓模型的好坏？根据自己经验，总结以下几点供参考，评判一个数仓模型的好处需要考虑以下几个方面：1：数据准确性：数仓模型的数据必须准确，能够真实反映业务的情况，否则整个数仓就失去了意义。评判数据准确性的方式是与原始数据进行比对和校验，确保数据的一致性和正确性。2：数据质量:数仓模型的数据质量也是评判的重要指标之一。数据质量
原创
2024-03-26 10:53:43
100阅读
目录数据集基于实例的线性回归的简要介绍代码块（1）数据的读入 （2）数据的理解以“数据框形状”的角度去理解数据以“简要信息”的角度去理解数据 以“列”的角度去理解数据以“描述性统计”的角度去理解数据以“可视化的角度”去理解数据用matplotlib进行可视化（3）数据的规整化处理（4）模型的训练(5)模型的解读与评价数据集基于实例的线性回归的简要介绍在数据集women的基础上，
转载
2024-04-11 18:55:13
48阅读
服务器好坏怎么判断
配置：
就服务器配置而言,通常会关注四点:CPU、内存、硬盘和带宽。这四点将决定服务器运行速度、容量与安全等性能。当然，选择时不能只挑性能高的，应该根据网站规模大小进行选择，否则会有浪费嫌疑。
稳定性：
通常稳定性很难从配置上直观地看出，因此如果有免费试用是最好不过，可以运行一到两周时间测试，观察是否有打不开的情况发生，但切记不要将所有数据放入。但独立服务器因其结构复杂，很少会
原创
2023-02-07 16:14:52
229阅读
一、概述1.无损检测概论（1）什么是无损检测？ 工业领域中的无损检测类似于人们买西瓜时的“隔皮猜瓜”。买西瓜时，用手轻轻拍打西瓜外皮，听声响或凭手感，想猜一下西瓜的生熟，这是人们常有的习惯。如果对猜想有怀疑，则要求切开看个究竟了。用手轻拍，对西瓜是无有损坏的，非破坏性的，听声响或凭手感猜想西瓜生熟，“隔皮猜瓜”，这是生活中的“无损检测”；而“切开看个究竟”，这
keras版本模型的训练1、模型的构建与训练import tensorflow as tf
inputs = tf.keras.Input(shape=(32,)) #(输入的数据维度为32)
x = tf.keras.layers.Dense(64, activation='relu')(inputs) #（64个神经元）
x = tf.keras.layers.Dense(64, activ
转载
2024-02-16 11:50:59
84阅读
数据开发，未来也可能被自动化的工具所替代。
原创
2021-07-05 10:03:45
428阅读
前言 “所有模型都是坏的，但有些模型是有用的”。我们建立模型之后，接下来就要去评估模型，确
原创
2022-07-13 15:18:57
1008阅读
分辨大模型的好坏是一个多维度的问题，需要从技术能力、实际效果、安全性、成本和应用适配性等多个角度综合考量。以
准确判断集成电路的好坏是修理电视、音响、录像设备的一个重要内容，判断不准，往往花大力气换上新集成电路而故障依然存在，所以要对集成电路作出正确判
原创
2022-05-19 15:59:59
518阅读
1.为什么RMSE不便于做过拟合的评判标准？在机器学习中，在讨论模型的性能时，我们常常会讲，一个好的模型，不仅要在训练集合上有好的表现，在新样本（或测试集）上也有上佳的表现才行。也就是说，我们要追求模型性能，也要兼顾模型的泛化指标，尽量避免让模型陷入过拟合陷阱。判断过拟合的一个简单方法就是，在同一种性能标准下，训练集合的误差显著小于在测试集合上的误差。自然，我们可以利用均方根误差（Root Mea
转载
2023-11-20 21:58:50
614阅读
