.png){kind=icon}
返回
Performance of test cases for machine learning classifier: coverage perspective
.png){kind=icon}
PRE
AI
DOI：10.1515/jisys-2024-0363.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习应用数量的快速增长已使其成为人工智能（AI）领域中最受欢迎的领域之一。实现这些应用中所使用算法最常用的库是Scikit learn和Weka。由于“Oracle问题”，测试这些基于机器学习的应用具有挑战性。该问题是当预期结果未知时，因此无法通过传统测试技术对这类应用进行测试。解决Oracle问题的一个方法是使用蜕变测试来测试机器学习应用。在测试基于ML的应用时，机器学习算法的代码常被忽略。然而，库中机器学习算法的使用需要形式化测试以提高可靠性。本研究通过测试Scikit Learn库中的5种机器学习（ANN、ID3、KNN、Naive Bayes、SVM）分类器来评估机器学习算法的蜕变关系，并找出其杀伤率。本研究还计算了测试蜕变关系时的语句覆盖率。同时识别了故障检测有效性与代码覆盖率之间的关系。
Keyword:
metamorphic testing
machine learning classifiers
software test coverage
evaluation
期刊
J
IF:
2
论文数:
34
被引数:
0
机构
引用论文
分享收藏Improving the accuracy of medical diagnosis with causal machine learning.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容