TDD 在机器学习中的好处

据我所知，TDD 的典型工作流程是基于黑盒测试的。 首先我们定义接口，然后编写一个或一组测试，然后我们实现通过所有测试的代码。 那么请看下面的例子：

from abc import ABCMeta


class InterfaceCalculator:
    __metaclass__ = ABCMeta

    @abstractmethod
    def calculate_mean(self):
        pass

示例测试用例

from unittest import TestCase


class TestInterfaceCalculator(TestCase):

    def test_should_correctly_calcluate_mean(self):
        X=[1,1]
        expected_mean = 1
        calcluator =Calculator()
        self.assertAlmostEqual(calculator.calculate_mean(X), expected_mean) 

我跳过了 Calculator(InterfaceCalculator) 类的实现，因为它很简单。

下面的想法很容易理解。机器学习怎么样？ 让我们考虑以下示例。我们想要实现猫、狗照片分类器。从界面开始。

from abc import ABCMeta


class InterfaceClassifier:
    __metaclass__ = ABCMeta

    @abstractmethod
    def train_model(self, data):
        pass

    @abstractmethod
    def predict(self, data):
        pass

我准备了一套非常简单的单元测试

from unittest import TestCase


class TestInterfaceCalculator(TestCase):
    def __init__(self):
        self.model = CatDogClassifier()

    def test_should_correctly_train_model(self, data):
        """
        How can be implemented?
        """
        self.model.train_model(data)

    def test_should_correctly_calcluate_mean(self):
        input ="cat.jpg"
        expected_result = "cat"
        calcluator =.assertAlmostEqual(self.model.preditct(input), expected_result)

这是使用 TDD 来帮助处理机器学习模型的方法吗？或者这种情况下TDD就没用了。它只能帮助我们验证输入数据的正确性并为训练好的模型添加非常高水平的测试吗？如何创建良好的自动测试？

使用 TDD，您可以以测试的形式描述预期的行为，然后创建代码来满足测试。虽然这对于机器学习模型的某些组件来说效果很好，但对于机器学习模型的高级行为通常效果不佳，因为事先无法准确地知道预期的行为。开发机器学习模型的过程通常涉及尝试不同的方法，看看哪一种最有效。行为可能以百分比来衡量，例如，识别的准确率是 95%，而不是绝对的。