机器学习测试用例说明¶

本目录包含机器学习算法的 pytest 测试用例。

📁 目录结构¶

机器学习/tests/
├── conftest.py            # pytest配置和共享fixtures
├── test_ml_algorithms.py  # 机器学习算法测试
└── README.md              # 本文件

🚀 快速开始¶

安装依赖¶

pip install pytest numpy scikit-learn

运行测试¶

# 运行所有测试
pytest -v

# 运行特定测试
pytest test_ml_algorithms.py -v

# 跳过需要sklearn的测试（如果未安装）
pytest -v -m "not requires_sklearn"

📊 测试覆盖¶

test_ml_algorithms.py¶

梯度下降算法¶

• 批量梯度下降
• 随机梯度下降 (SGD)
• 收敛性测试
• 线性回归应用

KNN 算法¶

• 二分类测试
• 多分类测试
• 加权 KNN
• 欧几里得距离计算

决策树算法¶

• 简单决策树实现
• 二分类测试
• 过拟合控制测试

K-Means 聚类¶

• 基本聚类测试
• 收敛性测试
• 聚类中心验证

朴素贝叶斯¶

• 高斯朴素贝叶斯
• 分类准确率测试

评估指标¶

• 准确率 (Accuracy)
• 精确率 (Precision)
• 召回率 (Recall)
• F1 分数
• 混淆矩阵

📝 算法实现说明¶

测试文件中包含了从零实现的机器学习算法，适合学习理解：

• gradient_descent(): 批量梯度下降
• stochastic_gradient_descent(): 随机梯度下降
• knn_predict(): KNN 分类
• SimpleDecisionTree: 简单决策树
• kmeans(): K-Means 聚类
• GaussianNaiveBayes: 高斯朴素贝叶斯

⚠️ 注意事项¶

1. 部分测试需要 scikit-learn 来生成测试数据
2. 如果未安装 sklearn ，相关测试会被自动跳过
3. 性能测试标记为 @pytest.mark.performance

作者: AI 学习教程 用途: 验证机器学习算法的正确性