Core Concepts
FlaKat ist ein neuartiges Kategorisierungsframework, das maschinelles Lernen nutzt, um die Kategorie von flüchtigen Tests präzise vorherzusagen.
Abstract
Einleitung
Flüchtige Tests beeinträchtigen die Zuverlässigkeit von Test-Suiten.
FlaKat verwendet maschinelles Lernen zur schnellen und genauen Vorhersage von Testkategorien.
Motivation und Implementierung
FlaKat verwendet doc2vec, code2vec und tf-idf für die Vektorisierung von Quellcode.
Dimensionalitätsreduktionstechniken wie PCA, LDA, Isomap, t-SNE und UMAP werden angewendet.
Vorhersageeffektivität
KNN, SVM und Random Forest Klassifikatoren werden auf reduzierten Vektoreinbettungen angewendet.
tf-idf erzielt die besten Ergebnisse in der Vorhersage von Flakiness-Kategorien.
Flakiness Detection Capacity (FDC)
FDC wird als bessere Metrik zur Bewertung der Flakiness-Kategorisierung identifiziert.
Zusammenfassung und Zukunftsausblick
FlaKat bietet eine effiziente Möglichkeit zur Kategorisierung von flüchtigen Tests.
Weitere Studien sind erforderlich, um die besten Label für verschiedene Aufgaben zu bestimmen.
Stats
FlaKat verwendet doc2vec, code2vec und tf-idf für die Vektorisierung von Quellcode.
Quotes
"FlaKat verwendet maschinelles Lernen zur schnellen und genauen Vorhersage von Testkategorien."