AI测试 机器学习算法在常规测试中的实践
一直以来都希望机器学习或者深度学习能够应用到测试领域中，最近刚好在项目中使用了机器学习算法，最终得到的结果还不错。
其实做起来比较简单，项目背景是我们需要做一个分类任务。通过查找一些资料才知道这个任务是由一些国际标准的，不过标准里面的分类很细，有 200 多种。但是对于我们这个项目来说，其实分成 8 类或者 10 类就能满足需求。
刚开始的想法比较朴素，就是从这个国际标准的 200 多个类别中挑出 8 类，这时候问题就来了：
首先就是很费时，200 多个类别看过去，眼睛都看花了；
其次就是不同人挑出来的都是不一样的，太依赖于个人。
然后就想怎么解决这些问题，能够既快又能够有一个统一的标准，后来就想到了聚类算法。
这个问题的本质其实就是把 200 多个类别进行聚合，最终形成只有 8 类或者 10 类。
想到这里，接下来就简单了。选择不同的聚类算法就行了，最终选择了 Kmeans 聚类，这个是一个无监督的聚类算法，同时最终类别的个数也可以随意指定。
通过聚类算法，既解决了效率问题，又统一了标准，一举两得。
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
可以详细介绍一下吗，比如什么是聚类算法，如何解决 200 多个类别分类，算法代码是怎么样的。
你这篇文章总体下来我的感受就是一句话——我用了 Kmeans 做了个分类。
Ouroboros
回复
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
