Modele de examen

Pour pouvoir tester le modèle d`analyse prédictive que vous avez créé, vous devez diviser votre jeu de données en deux ensembles: les jeux de données de formation et de test. Ces jeux de données doivent être sélectionnés au hasard et être une bonne représentation de la population réelle. Un (et un seul) bloc de générateur de signaux au niveau supérieur de votre modèle. Un cas de test est créé pour chaque groupe de signaux dans le bloc signal Builder. La preuve de théorème a été utilisée à l`origine pour la démonstration automatisée des formules logiques. Pour les approches de test basées sur des modèles, le système est modélisé par un ensemble de prédicats, en spécifiant le comportement du système. [5] pour dériver des cas de test, le modèle est divisé en classes d`équivalence par rapport à l`interprétation valide de l`ensemble des prédicats décrivant le système testé. Chaque classe décrit un certain comportement du système et, par conséquent, peut servir de cas de test. Le partitionnement le plus simple est avec l`approche de forme normale disjonctive dans laquelle les expressions logiques décrivant le comportement du système sont transformées en forme normale disjonctive. Si l`algorithme que vous avez choisi ne donne aucun résultat, essayez un autre algorithme. Par exemple, vous essayez plusieurs algorithmes de classification disponibles et en fonction de vos données et des objectifs commerciaux de votre modèle, l`un de ceux-ci peut être plus performant que les autres.

Lorsque vous créez automatiquement des cas de test, vous spécifiez si le cas de test est un cas de référence, d`équivalence ou de test de simulation. Pour plus d`informations sur la configuration des tests de référence, d`équivalence et de simulation, consultez Introduction to Test Manager. Étant donné que les suites de tests sont dérivées de modèles et non de code source, les tests basés sur un modèle sont généralement considérés comme une forme de test de boîte noire. Parvenir à un équilibre entre le biais et la variance, en réduisant la variance et en tolérant certains biais, peut aboutir à un meilleur modèle prédictif. Ce compromis conduit généralement à la construction de modèles prédictifs moins complexes. Les tests basés sur des modèles peuvent être particulièrement bons pour trouver des fuites de mémoire et des conflits potentiels qui provoquera le plantage du logiciel, car les tests automatisés peuvent envoyer des entrées aléatoires et s`exécuter pendant de longues périodes de temps. Dans la pratique, les applications batch qui prennent une seule entrée (comme un fichier) et produisent une seule sortie (comme remplir une base de données) sont les plus faciles à démarrer avec MBT. D`autres cas d`utilisation incluent des applications qui sont orientées vers les transactions, manquent d`une interface utilisateur claire, ou font qu`il est possible d`obtenir «ci-dessous» l`IU au niveau de l`API.

Certains modèles peuvent également inclure un diagramme de transition d`État, une machine à états finis, un graphe de dépendance ou une table de décision, généralement capturés et exprimés dans le code. Ce modèle est largement reconnu comme supérieur au modèle de cascade.

Por
fevereiro 17, 2019