一、基础概念篇

1. 什么是机器学习，核心目标是什么？

机器学习是一门通过设计算法，让计算机从数据中自动学习规律、调整参数，进而实现对未知数据进行预测或决策的技术。它核心是“数据驱动”，目标不是依靠人工编写固定指令完成任务，而是让计算机借助数据“经验”自主优化模型，最小化在未知数据上的预测误差，提升泛化能力。比如软件测试中，可通过分析历史测试数据，让机器学习模型自动识别潜在bug。

2. 监督学习、无监督学习和强化学习有何区别？

• 监督学习：使用带标签数据训练，学习输入与标签的映射关系，用于预测已知输出。典型场景如垃圾邮件检测、房价预测，算法有线性回归、决策树等。在测试中，可用于根据测试用例标签预测用例执行结果。

• 无监督学习：在无标签数据中寻找隐藏模式，如客户分群、异常检测，常用算法有K-Means、PCA。测试里可用于聚类分析测试用例，发现相似用例组。

• 强化学习：智能体通过与环境互动，依据奖励信号学习决策策略，如机器人控制、游戏AI，代表算法有Q-Learning、PPO。在自动化测试中，可让测试智能体根据测试环境反馈优化测试路径。

3. 偏差和方差的权衡是怎样的？

偏差是模型预测值与真实值的系统性偏离，源于模型假设过简单，导致欠拟合；方差是模型在不同训练集上预测结果的波动程度，源于模型过复杂，导致过拟合。总误差=偏差²+方差+不可约误差。在测试模型构建中，若训练集表现好但测试集差，是高方差问题，可通过增加训练数据、降低模型复杂度解决；若训练集和测试集表现都差，是高偏差问题，可增加特征数量、选用更复杂模型。

二、经典算法篇

4. 逻辑回归是线性模型还是非线性模型？

逻辑回归是广义线性模型。其原始形式是非线性的，但决策面是线性的。它通过Sigmoid函数将线性回归的输出映射到0-1之间，用于二分类任务。在测试中，可用于预测测试用例是否会发现bug。

5. 逻辑回归为何使用对数损失而非平方损失？

• 从损失函数角度，逻辑回归预测函数非线性，用MSE得到的损失函数是非凸函数，梯度下降易陷入局部极小值；对数损失是凸函数，便于求全局最优解。

• 从梯度更新角度，平方损失的梯度更新速度与Sigmoid函数梯度相关，Sigmoid梯度不大于0.25，训练慢；对数损失的导数是误差差值，误差大更新快，误差小更新慢，符合训练需求。

6. 支持向量机（SVM）的核心思想是什么？

SVM目标是找到一个分类超平面，将不同数据分隔开，使两类数据到超平面的距离最大化。它通过核函数将低维数据映射到高维，解决非线性分类问题。在测试中，可用于对测试用例进行分类，区分有效用例和无效用例。

7. 决策树如何进行特征选择？

决策树通过信息增益、信息增益比或基尼指数进行特征选择。信息增益是划分前后数据集熵的变化，信息增益比是信息增益与特征熵的比值，基尼指数衡量数据集的纯度。选择能使数据集纯度提升最大的特征进行划分。在测试中，可用于分析影响测试结果的关键特征。

三、模型评估篇

8. 准确率、精确率、召回率和F1-score有何区别？

• 准确率：分类正确的样本占总样本的比例，适用于正负样本均衡场景。但在测试中，若bug样本占比极低，即使模型将所有样本预测为无bug，准确率也很高，无法体现模型真实性能。

• 精确率：分类正确的正样本个数占预测为正样本的比例，反映模型预测正样本的准确性。

• 召回率：分类正确的正样本个数占实际正样本的比例，衡量模型对正样本的识别能力。在测试中，高召回率意味着能尽可能多发现bug。

• F1-score：精确率和召回率的调和平均数，综合反映模型分类性能，适用于正负样本不均衡场景。

9. ROC曲线和AUC是什么？

ROC曲线以假阳性率（FPR）为横坐标，真阳性率（TPR）为纵坐标，反映模型在不同阈值下的分类性能。AUC是ROC曲线下的面积，取值范围0-1，AUC越大，模型排序能力越强，即越能将正例排在负例之前。在测试模型评估中，AUC能更全面反映模型性能。

10. 交叉验证的作用和常见方法有哪些？

交叉验证用于评估模型泛化能力，避免过拟合。常见方法：

• 留出法：将数据划分为训练集和测试集，简单但结果随机性高，对小数据集不友好。

• K折交叉验证：将数据划分为K个子集，轮流用一个子集做验证集，其余做训练集，取K次结果平均值，工业界常用K=5或10。

• 留一法：每个样本单独做验证集，计算开销大，适合极小数据集。

四、深度学习篇

11. 神经网络的基本结构是什么？

神经网络由输入层、隐藏层和输出层组成。输入层接收数据，隐藏层对数据进行特征提取和变换，输出层输出预测结果。每层包含多个神经元，神经元之间通过权重连接，通过激活函数引入非线性。在测试中，可用于构建复杂的测试预测模型。

12. 梯度下降法有哪些变体，各有何优缺点？

• 批梯度下降：每次用所有训练数据更新参数，能获得全局最优解，但计算量大，数据量大时更新慢。

• 随机梯度下降：每次用一个样本更新参数，更新频繁，可能跳到更好的局部最优解，但收敛过程复杂，方差大。

• 小批量梯度下降：每次用n个样本更新参数，结合前两者优点，减少更新次数，收敛更稳定，是深度学习常用方法。

13. 什么是过拟合，如何解决？

过拟合是模型在训练集上表现极好，但在测试集上泛化能力差，原因是模型学习了训练数据的噪声。解决方法：

• 正则化：L1正则化使部分特征权重为0，实现特征选择；L2正则化压缩特征权重，防止过拟合。

• 早停：当验证集性能不再提升时提前停止训练。

• 数据增强：对图像、文本等数据进行旋转、翻转、加噪声等操作，增加数据多样性。

• Dropout：在训练中随机失活部分神经元，减少神经元之间的依赖。

五、生产部署与测试结合篇

14. 机器学习模型在软件测试中的应用场景有哪些？

• 测试用例生成：通过学习已有测试用例，自动生成新的测试用例，覆盖更多场景。

• 缺陷预测：根据代码特征、历史缺陷数据，预测哪些模块容易出现缺陷，指导测试重点。

• 自动化测试：利用强化学习让测试智能体自动执行测试任务，优化测试路径。

• 性能测试：通过分析性能数据，预测系统在不同负载下的性能表现。

15. 如何评估机器学习模型在测试中的性能？

除了常规的准确率、精确率等指标，还需结合测试场景关注：

• 缺陷发现率：模型预测的缺陷中实际存在的比例。

• 测试覆盖率提升：模型生成的测试用例对代码的覆盖程度。

• 测试效率提升：模型节省的测试时间和人力成本。

16. 机器学习模型部署到测试环境中需要注意什么？

• 数据一致性：确保训练数据和测试环境数据分布一致，避免模型性能下降。

• 实时性：对于实时测试场景，模型响应速度要满足要求。

• 可解释性：测试人员需要理解模型决策依据，便于排查问题。

• 监控与维护：实时监控模型性能，定期更新模型，适应测试环境变化。