基于机器学习的测试结果分析方法及装置制造方法及图纸

本申请实施例提供一种基于机器学习的测试结果分析方法及装置，也可用于金融领域，方法包括：从原始测试结果集中采集多个样本数据并有回放的随机抽样组成测试结果训练集；根据所述测试结果训练集中样本数据的数据类型不同进行分类后对所述测试结果训练集进行样本数据预处理，得到经过所述样本数据预处理后的测试结果训练集；将所述测试结果训练集中的样本数据进行随机特征抽取后构建得到随机森林模型，并根据所述随机森林模型得到目标测试结果；本申请能够准确、便捷得分析测试结果，节约核对交易结果的成本，同时也无需测试人员了解程序逻辑。程序逻辑。程序逻辑。

【技术实现步骤摘要】
基于机器学习的测试结果分析方法及装置


[0001]本申请涉及机器学习领域，也可用于金融领域，具体涉及一种基于机器学习的测试结果分析方法及装置。

技术介绍

[0002]随着现在业务架构转型，主机下平台测试的业务场景越来越多，每笔交易去手工核对测试结果，耗时较久。在测试人员成熟度较低的情况下，测试结果核对任务更加艰巨。目前采取常用做法是自动化测试断言交易结果输出值与预期值比对，或者覆盖程序逻辑去检查结果。
[0003]专利技术人发现，由于交易测试结果可能涉及多张表多个字段核对，对业务测试人员要求极高，手工核对成本也高，且断言交易结果输出值未包含影响交易结果的关键字段，不能完全覆盖交易测试结果检查。同时也要求测试人员熟悉代码逻辑，增加了测试成本。

技术实现思路

[0004]针对现有技术中的问题，本申请提供一种基于机器学习的测试结果分析方法及装置，能够准确、便捷得分析测试结果，节约核对交易结果的成本，同时也无需测试人员了解程序逻辑。
[0005]为了解决上述问题中的至少一个，本申请提供以下技术方案：
[0006]第一方面，本申请提供一种基于机器学习的测试结果分析方法，包括：
[0007]从原始测试结果集中采集多个样本数据并有回放的随机抽样组成测试结果训练集；
[0008]根据所述测试结果训练集中样本数据的数据类型不同进行分类后对所述测试结果训练集进行样本数据预处理，得到经过所述样本数据预处理后的测试结果训练集；
[0009]将所述测试结果训练集中的样本数据进行随机特征抽取后构建得到随机森林模型，并根据所述随机森林模型得到目标测试结果。
[0010]进一步地，所述对所述测试结果训练集进行样本数据预处理，得到经过所述样本数据预处理后的测试结果训练集，包括：
[0011]对所述测试结果训练集中的样本数据进行初始化，得到样本数据矩阵；
[0012]对所述样本数据矩阵进行欧式距离计算后，根据欧式距离计算结果中的至少一个最小欧式距离对应的样本数据的权重值，对所述样本数据进行缺失值填充处理，得到经过缺失值填充后的测试结果训练集。
[0013]进一步地，在所述构建得到随机森林模型之后，在所述根据所述随机森林模型得到目标测试结果之前，还包括：
[0014]根据预设网络搜索算法按照设定步长依次对所述随机森林模型进行参数调整，确定设定参数范围内精度最高的最优参数为所述随机森林模型的参数。
[0015]进一步地，所述确定设定参数范围内精度最高的最优参数为所述随机森林模型的
参数之后，还包括：
[0016]根据预设交叉验证算法确定各所述测试结果训练集的准确率平均值，将最大准确率平均值对应的测试结果训练集的参数组合确定为最优参数。
[0017]第二方面，本申请提供一种基于机器学习的测试结果分析装置，包括：
[0018]测试结果训练集构建模块，用于从原始测试结果集中采集多个样本数据并有回放的随机抽样组成测试结果训练集；
[0019]测试结果训练集预处理模块，用于根据所述测试结果训练集中样本数据的数据类型不同进行分类后对所述测试结果训练集进行样本数据预处理，得到经过所述样本数据预处理后的测试结果训练集；
[0020]随机森林分析模块，用于将所述测试结果训练集中的样本数据进行随机特征抽取后构建得到随机森林模型，并根据所述随机森林模型得到目标测试结果。
[0021]进一步地，所述测试结果训练集预处理模块包括：
[0022]样本数据初始化单元，用于对所述测试结果训练集中的样本数据进行初始化，得到样本数据矩阵；
[0023]缺失值填充单元，用于对所述样本数据矩阵进行欧式距离计算后，根据欧式距离计算结果中的至少一个最小欧式距离对应的样本数据的权重值，对所述样本数据进行缺失值填充处理，得到经过缺失值填充后的测试结果训练集。
[0024]进一步地，所述随机森林分析模块包括：
[0025]网络搜索单元，用于根据预设网络搜索算法按照设定步长依次对所述随机森林模型进行参数调整，确定设定参数范围内精度最高的最优参数为所述随机森林模型的参数。
[0026]进一步地，所述随机森林分析模块包括：
[0027]交叉验证单元，用于根据预设交叉验证算法确定各所述测试结果训练集的准确率平均值，将最大准确率平均值对应的测试结果训练集的参数组合确定为最优参数。
[0028]第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于机器学习的测试结果分析方法的步骤。
[0029]第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于机器学习的测试结果分析方法的步骤。
[0030]由上述技术方案可知，本申请提供一种基于机器学习的测试结果分析方法及装置，通过在原有随机森林方法上进行改进，提高了分类效果，增强了泛化能力，同时也提高测试结果的预测准确率，由此能够准确、便捷得分析测试结果，节约核对交易结果的成本，同时也无需测试人员了解程序逻辑。
附图说明
[0031]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1为本申请实施例中的基于机器学习的测试结果分析方法的流程示意图之一；
[0033]图2为本申请实施例中的基于机器学习的测试结果分析方法的流程示意图之二；
[0034]图3为本申请实施例中的基于机器学习的测试结果分析装置的结构图之一；
[0035]图4为本申请实施例中的基于机器学习的测试结果分析装置的结构图之二；
[0036]图5为本申请实施例中的基于机器学习的测试结果分析装置的结构图之三；
[0037]图6为本申请实施例中的基于机器学习的测试结果分析装置的结构图之四；
[0038]图7为本申请实施例中的电子设备的结构示意图。
具体实施方式
[0039]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0040]考虑到现有技术中由于交易测试结果可能涉及多张表多个字段核对，对业务测试人员要求极高，手工核对成本也高，且断言交易结果输出值未包含影响交易结果的关键字段，不能完全覆盖交易测试结果检查。同时也要求测试人员熟悉代码逻辑，增加了测试成本的问题，本申请提供一种基于机器学习的测试结果分析方法及装置，通过在原有随本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的测试结果分析方法，其特征在于，所述方法包括：从原始测试结果集中采集多个样本数据并有回放的随机抽样组成测试结果训练集；根据所述测试结果训练集中样本数据的数据类型不同进行分类后对所述测试结果训练集进行样本数据预处理，得到经过所述样本数据预处理后的测试结果训练集；将所述测试结果训练集中的样本数据进行随机特征抽取后构建得到随机森林模型，并根据所述随机森林模型得到目标测试结果。2.根据权利要求1所述的基于机器学习的测试结果分析方法，其特征在于，所述对所述测试结果训练集进行样本数据预处理，得到经过所述样本数据预处理后的测试结果训练集，包括：对所述测试结果训练集中的样本数据进行初始化，得到样本数据矩阵；对所述样本数据矩阵进行欧式距离计算后，根据欧式距离计算结果中的至少一个最小欧式距离对应的样本数据的权重值，对所述样本数据进行缺失值填充处理，得到经过缺失值填充后的测试结果训练集。3.根据权利要求1所述的基于机器学习的测试结果分析方法，其特征在于，在所述构建得到随机森林模型之后，在所述根据所述随机森林模型得到目标测试结果之前，还包括：根据预设网络搜索算法按照设定步长依次对所述随机森林模型进行参数调整，确定设定参数范围内精度最高的最优参数为所述随机森林模型的参数。4.根据权利要求3所述的基于机器学习的测试结果分析方法，其特征在于，所述确定设定参数范围内精度最高的最优参数为所述随机森林模型的参数之后，还包括：根据预设交叉验证算法确定各所述测试结果训练集的准确率平均值，将最大准确率平均值对应的测试结果训练集的参数组合确定为最优参数。5.一种基于机器学习的测试结果分析装置，其特征在于，包括：测试结果训练集构建模块，用于从原始测试结果集中采集多个样本数据并有回放的随机抽样组成测试结果训练集；测试结果训练集预...

【专利技术属性】
技术研发人员：李文婷，黄琼，李美娜，贺克军，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：