最近在研究如何做项目的测试，在我们平常的项目中，有功能性测试，回归测试，集成测试，为了提供测试效率和控制质量，会尽可能的做自动化测试，但最近的研究和这些测试有点不一样，我们准备尝试下做一种探索性测试，最好能够让机器一边学习一边帮我们测试，我们所需要的就是做一些假设性输入即可。
智能探索性测试
探索性测试（explortary test），一般没有计划好的测试步骤，没有预设的测试目标，只有对测试结果的普遍期望，这个和随机性测试（ad-hoc）相同，不一样的地方是，探索性测试是在对测试的产品并不十分了解，是根据测试者的经验和一些测试常识来做一些测试，一边学习，一边不断的测试新功能。
人的学习能力是很强的，所以很多时候探索性测试被认为是只有人可以胜任这个工作，但是大家可能忽略的一点是，测试需要很强的重复执行能力，在这个方面，人是远远无法和机器相比的。假如我们能够让机器拥有人类的学习能力，那么是不是可以让机器帮我们做探索性测试。
举个例子，在web测试中，如果我们能够让机器能够识别一个链接，点击后期望是打开一个页面，是不是可以让机器帮我们测试网页上的所有链接？在移动应用中，如果我们能够让机器识别一个按钮，点击之后期望应用没有运行异常，可能还会弹出一个对话框，如果点击对话框的“关闭”按钮，那么对话框应该可以关闭；甚至可以这样，机器可以点击“确定”按钮，机器记录下所发生的一些事件，那么当一次点击这个按钮时，机器是否就可以判断点击同样按钮的事件？
我们想这是完全可以做到的，现在的机器学习理论已经可以让我们好好对探索性测试做些工作，我们可以给机器输入一些预设条件，然后机器就可以自己学习摸索，然后自动帮我们做测试工作，出现异常能够报告出来，任何测试如果能够被自动化，就应该自动化，探索性测试也不例外，我们现在欠缺的可能就是一个智能的机器了。
机器学习算法
要让机器能够变得智能化，我们需要让机器能够自我学习和判断，这样才能自主开展探索性测试工作。让我们先从几个简单的机器学习算法说起。
邻近算法
这是一个简单的算法，其原理是，选取一个事物的特征项，每个特征项都可以量化，有量化的值，比如一个长方形的有两个特征项：长和宽，我们以(x,y)来表示，那么任何一个长方形都有这两个值，邻近算法就是比较两个长方形的特征项值的坐标距离，如果离的近，说明这两个长方形就是同一事物。
概率算法
这个算法和邻近算法不一样的是，其根据每个特征项的概率综合起来判断事物的归类，这里面有不同的概率组合算法，我们不在文章里展开。
举个例子来说，小米相机上自带有识别人脸，其会判断年龄和性别，在这个过程中，就有一个机器判断过程，那么机器如何判断年龄和性别么？一个人的脸上有很多特征项，有头发，眼睛，鼻梁，眉毛，嘴巴，皮肤，以判断性别来说，头发是一个很重要的特征项，头发长有90%的可能是女性，皮肤白有60%可能是女性，那么两者加起来判断可能有96%的可能为女性，这个是条件概率得到的判断，如果有更多的特征概率，则判断会更准确。
一个简单的实现
在我们的项目中，我们以一个web网页为基础，希望获取到网页上所有图片类型并加以归类，开发语言用的是Python。
代码地址：https://git.oschina.net/pphh/machinelearning.git
算法步骤,
1. 读取训练样本数据，建立数据模型，获取k值，k值是判断目标数据类型的个数。
2. 输入目标数据，计算和样本数据特征值的坐标距离。
3. 获取k个最近距离的样本数据，并根据样本数据的类型来决定目标数据的类型。假如k为3，如果有两个以上的样本数据表明同一类型A，则目标数据就可以判断类型A。
