前言
能熟练支撑微信广告推荐测试工作后，一直在思考测试在算法质量上还能做哪些事情
算法测试
现状
除了常规的框架版本测试，算法测试目前现状如下图：
现状
在网上找了很久，没有一套成熟的算法质量体系；于是通过学习了解算法原理后，归纳如下：
算法质量
罗列新增测试点：
- 平台拓扑检查： 进程占用、work数量合理等
- 算法拓扑检查： 能正常解析，无非法值、防止无法启动训练拓扑
- 算法 xml 测试： 能正常解析，加载、防止线上加载异常
- TDE 查询测试： 校验TDE 与现网配置一致性、防止错配无信息可查
- 模型加载测试： 模型文件与算法实现一致，正常加载、防止线上出现不匹配，系统core掉
- 训练数据与算法字段一致性： 预测代码和训练数据中响应字段具有较高一致性、避免错配，误写TDE查表逻辑
- 训练端与预测端预测结果一致性： 训练与预测是不同代码，潜在代码不一致风险，导致训练与预测对不起的BUG
- AUC 测试： 分类模型评估指标、值越大效果越好(0.5,1)、样本不均衡也能做出合理评价(0.5 ~ 0.7低；0.7 ~ 0.85一般；0.85 ~ 0.95很好；0.95 ~ 1非常好)
- 准确率：
- 精确率：
- 召回率：
- F1分数：
， 是精准率与召回率的平衡点，也是需要的一个阀值
还有几个指标，考虑了一下，暂时先不放进来了。
