[發(fā)明專利]基于機器學習的測試結(jié)果分析方法及裝置

在審

• 申請?zhí)枺?/td>: 202110601501.5
• 申請日: 2021-05-31
• 公開（公告）號: CN113342648A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設計）人: 李文婷;黃瓊;李美娜;賀克軍
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N20/00
• 代理公司: 北京三友知識產(chǎn)權代理有限公司 11127
• 代理人: 劉熔;趙平

本申請實施例提供一種基于機器學習的測試結(jié)果分析方法及裝置，也可用于金融領域，方法包括：從原始測試結(jié)果集中采集多個樣本數(shù)據(jù)并有回放的隨機抽樣組成測試結(jié)果訓練集；根據(jù)所述測試結(jié)果訓練集中樣本數(shù)據(jù)的數(shù)據(jù)類型不同進行分類后對所述測試結(jié)果訓練集進行樣本數(shù)據(jù)預處理，得到經(jīng)過所述樣本數(shù)據(jù)預處理后的測試結(jié)果訓練集；將所述測試結(jié)果訓練集中的樣本數(shù)據(jù)進行隨機特征抽取后構(gòu)建得到隨機森林模型，并根據(jù)所述隨機森林模型得到目標測試結(jié)果；本申請能夠準確、便捷得分析測試結(jié)果，節(jié)約核對交易結(jié)果的成本，同時也無需測試人員了解程序邏輯。

技術領域

本申請涉及機器學習領域，也可用于金融領域，具體涉及一種基于機器學習的測試結(jié)果分析方法及裝置。

背景技術

隨著現(xiàn)在業(yè)務架構(gòu)轉(zhuǎn)型，主機下平臺測試的業(yè)務場景越來越多，每筆交易去手工核對測試結(jié)果，耗時較久。在測試人員成熟度較低的情況下，測試結(jié)果核對任務更加艱巨。目前采取常用做法是自動化測試斷言交易結(jié)果輸出值與預期值比對，或者覆蓋程序邏輯去檢查結(jié)果。

發(fā)明人發(fā)現(xiàn)，由于交易測試結(jié)果可能涉及多張表多個字段核對，對業(yè)務測試人員要求極高，手工核對成本也高，且斷言交易結(jié)果輸出值未包含影響交易結(jié)果的關鍵字段，不能完全覆蓋交易測試結(jié)果檢查。同時也要求測試人員熟悉代碼邏輯，增加了測試成本。

發(fā)明內(nèi)容

針對現(xiàn)有技術中的問題，本申請?zhí)峁┮环N基于機器學習的測試結(jié)果分析方法及裝置，能夠準確、便捷得分析測試結(jié)果，節(jié)約核對交易結(jié)果的成本，同時也無需測試人員了解程序邏輯。

為了解決上述問題中的至少一個，本申請?zhí)峁┮韵录夹g方案：

第一方面，本申請?zhí)峁┮环N基于機器學習的測試結(jié)果分析方法，包括：

從原始測試結(jié)果集中采集多個樣本數(shù)據(jù)并有回放的隨機抽樣組成測試結(jié)果訓練集；

根據(jù)所述測試結(jié)果訓練集中樣本數(shù)據(jù)的數(shù)據(jù)類型不同進行分類后對所述測試結(jié)果訓練集進行樣本數(shù)據(jù)預處理，得到經(jīng)過所述樣本數(shù)據(jù)預處理后的測試結(jié)果訓練集；

將所述測試結(jié)果訓練集中的樣本數(shù)據(jù)進行隨機特征抽取后構(gòu)建得到隨機森林模型，并根據(jù)所述隨機森林模型得到目標測試結(jié)果。

進一步地，所述對所述測試結(jié)果訓練集進行樣本數(shù)據(jù)預處理，得到經(jīng)過所述樣本數(shù)據(jù)預處理后的測試結(jié)果訓練集，包括：

對所述測試結(jié)果訓練集中的樣本數(shù)據(jù)進行初始化，得到樣本數(shù)據(jù)矩陣；

對所述樣本數(shù)據(jù)矩陣進行歐式距離計算后，根據(jù)歐式距離計算結(jié)果中的至少一個最小歐式距離對應的樣本數(shù)據(jù)的權重值，對所述樣本數(shù)據(jù)進行缺失值填充處理，得到經(jīng)過缺失值填充后的測試結(jié)果訓練集。

進一步地，在所述構(gòu)建得到隨機森林模型之后，在所述根據(jù)所述隨機森林模型得到目標測試結(jié)果之前，還包括：

根據(jù)預設網(wǎng)絡搜索算法按照設定步長依次對所述隨機森林模型進行參數(shù)調(diào)整，確定設定參數(shù)范圍內(nèi)精度最高的最優(yōu)參數(shù)為所述隨機森林模型的參數(shù)。

進一步地，所述確定設定參數(shù)范圍內(nèi)精度最高的最優(yōu)參數(shù)為所述隨機森林模型的參數(shù)之后，還包括：

根據(jù)預設交叉驗證算法確定各所述測試結(jié)果訓練集的準確率平均值，將最大準確率平均值對應的測試結(jié)果訓練集的參數(shù)組合確定為最優(yōu)參數(shù)。

第二方面，本申請?zhí)峁┮环N基于機器學習的測試結(jié)果分析裝置，包括：

測試結(jié)果訓練集構(gòu)建模塊，用于從原始測試結(jié)果集中采集多個樣本數(shù)據(jù)并有回放的隨機抽樣組成測試結(jié)果訓練集；

測試結(jié)果訓練集預處理模塊，用于根據(jù)所述測試結(jié)果訓練集中樣本數(shù)據(jù)的數(shù)據(jù)類型不同進行分類后對所述測試結(jié)果訓練集進行樣本數(shù)據(jù)預處理，得到經(jīng)過所述樣本數(shù)據(jù)預處理后的測試結(jié)果訓練集；