这里主要是简单介绍了一下思路。
一直都想在将一些算法落地到实际的测试工作中，实际中还是有难度的，这个刚好算是做了一个落地。

对于一批数据，如果用 kmenas 聚类，其实也比较简单：
1.先随机挑选几个作为中心点，比如说想要 8 类的话就选 8 个，想要 10 类就选 10 个；
2.对于剩余的数据，挨个计算它和步骤 1) 选择的中心点之间的距离，然后挑一个最近的，那么他就属于这一类；
3.当每个点都找到了一个类别之后，把每个类别的所有点取个平均值，做为新的中心点，然后回到步骤 2) 继续即可

代码量不大，我使用 python 写的，python 有直接的包可以调用

是的，不要让那个 jd 框住自己。

工作里可以尝试自己去定义岗位岗位的工作内容

补充一下，前面用 kmeans 解决了自动化聚类的问题，后面针对算法的结果，又采用了 k 紧邻的方式自动判断算法效果属于哪一类。前期和后期都用算法进行了处理

文中提到的测试集要做的 3 点工作，每一个其实都可以通过系统或者平台进行解决。

按照类别报 bug，会有一个问题。一般情况下影响算法的因素大体来说就那么几种，比如光线问题，角度问题等。按照类别报的话，就会出现一个算法产品就那么几个 bug。
隐隐觉得传统的 bug 设计思路不是很适合算法测试

其实还有一个问题，就是对于识别类或者检测类算法来说，RD 一般是不会针对具体的几张图片去解决问题的。特别是用神经网络训练出来的模型，基本上具有不可解释性，RD 更多的是解决一类问题。如果报 bug 的时候，只报几张图片，其实对于 RD 来说没有什么意义

对于比较复杂的系统，存在累积误差。比如说一个系统有三个模块，每个模块的准确率是 95%，最终系统的准确率是 0.95*0.95*095=0.86

大公司付得起人才培养的成本，应届生培养出来更符合公司的企业文化。小公司一般是要求进来就能直接干活的，应届生一般很难做到

模型确实做不到 100% 准确，对于模型来说，主要是要达到统计学意义上的效果，比如说准确率是 99%，并不是测试集只有 100 个，通常测试集都是数百万乃至数亿条数据。在大量数据测试下，达到一个大家能够接受的效果。