什么是SQDC 是生产中的术语么？

Posted 2023-05-16

软件质量设计评价准则(SQDC)
衡量标准的组合反映某一软件质量要素精确性、稳健性、安全性、通信有效性、处理有效性、设备有效性、可操作性、培训性、完备性、一致性、可追踪性、可见性、硬件系统无关性、软件系统无关性、可扩充性、公用性、模块性、清晰性、自描述性、简单性、结构性、文件完备性等 参考技术A 指生产管理的四大目标：安全、质量、交货期、成本。这是生产管理的4大核心内容。 参考技术B 　　软件质量设计评价准则(SQDC)
衡量标准的组合反映某一软件质量要素精确性、稳健性、安全性、通信有效性、处理有效性、设备有效性、可操作性、培训性、完备性、一致性、可追踪性、可见性、硬件系统无关性、软件系统无关性、可扩充性、公用性、模块性、清晰性、自描述性、简单性、结构性、文件完备性等
　　软件产品的度量主要针对作为软件开发成果的软件产品的质量而言，独立于其过程。软件的质量由一系列质量要素组成，每一个质量要素又由一些衡量标准组成，每个衡量标准又由一些量度标准加以定量刻划。质量度量贯穿于软件工程的全过程以及软件交付之后，在软件交付之前的度量主要包括程序复杂性、模块的有效性和总的程序规模，在软件交付之后的度量则主要包括残存的缺陷数和系统的可维护性方面。一般情况下，可以将软件质量特性定义成分层模型。勃姆(Barry W. Boehm)在《软件风险管理》(Software Risk Management)中第一次提出了软件质量度量的层次模型。而麦考尔(McCall)等人将软件质量分解至能够度量的层次，提出FCM 3层模型(参见表5-13)：软件质量要素(factor)、衡量标准(criteria)和量度标准(metrics)，包括11个标准，分为产品操作(product operation)、产品修正(product revision)和产品转移(product transition)。ISO 9126将软件质量总结为6大特性，每个特性包括一系列副特性，其软件质量模型包括3层，即高层：软件质量需求评价准则(SQRC)；中层：软件质量设计评价准则(SQDC)；低层：软件质量度量评价准则(SQMC)。

机器学习——白话入门及术语解释

文章目录

• 前言
• 一、以普通例子循序渐进讲解什么是机器学习
• 二、通过西瓜的例子类比学习一些相关术语
• • 1. 以数据表格方式学习
  • 2. 还记得坐标系么
  • 3. 训练相关的一些术语
• 三、假设空间
• 四、归纳偏好
• 总结

---

前言

机器学习和人工智能，一直觉得挺神秘而且又高大上的，经常听说，但又因为各种数学概念而没有付诸实践。

但是，如果不做专职的相关岗位开发，自己跑一些学习程序是否可行呢？比较现在各种框架都挺多的了，即使再不济，了解一下具体都能做哪些东西也是很不错的。

入手了周志华的《人工智能》一书，刚看了开头，觉得讲的非常好。以例子开始逐步深入，做了如下笔记。

一、以普通例子循序渐进讲解什么是机器学习

以挑西瓜的例子开篇： 为什么色泽青绿、根蒂蜷缩、敲声浊晌，就能判断出是正熟的好瓜？

因为我们吃过、看过很多西瓜，所以基于色泽、根蒂、敲声这几个特征我们就可以做出相当好的判断。

**过渡，引出学习经验：**类似的，我们从以往的学习经验知道，下足了工夫、弄清了概念、做好了作业，自然会取得好成绩。可以看出，我们能做出有效的预判？是因为我们已经积累了许多经验，而通过对经验的利用?就能对新情况做出有效的决策。

**进而来说机器学习：**如果说计算机科学是研究关于"算法"的学问，那么类似的，可以说机器学习是研究关于"学习算法"的学问。

二、通过西瓜的例子类比学习一些相关术语

1. 以数据表格方式学习

将西瓜的例子归纳为下面的表格：

序号	色泽	根蒂	敲声
1	青绿	蜷缩	浊响
2	乌黑	稍蜷	沉闷
…

对照表格，了解一些相关术语：

• **数据集：**整个表格的记录集合。
• 示例 (instance) 或样本 （sample）：每条记录是关于一个事件或对象（这里是一个西瓜）的描述，称为一个示例 (instance) 或样本 （sample）。有时整个数据集亦称一个"样本"因为它可看作对样本空间的一个采样，通过上下文可判断出"样本"是指单个示例还是数据集。
• **属性 (attribute) 或特征(feature)：**表格中的“色泽”、“根蒂”、“敲声”。
• **属性值 (attribute va1ue)：**表格中的“色泽”、“根蒂”、“敲声”对应的值。

2. 还记得坐标系么

对于单条记录，以“色泽”、“根蒂”、“敲声”三个属性标识如下图：

每个属性作为一个坐标轴，就形成了一个三维的坐标系。 坐标系还记得吧，希望还没全还给老师。

属性张成的空间称为**“属性空间” (attribute space) “样本空间” (sample space) 或"输入空间"**，即图中的长方体。

当然，实际上一个样本（西瓜）肯定不止这三个属性，这里只是举例。每个属性代表一个坐标轴，那就会组成一个d维空间，d为样本的属性数。

每个西瓜都可在这个空间中找到自己的坐标位置。由于空间中的每个点对应一个坐标向量，因此我们也把…个示例称为一个**“特征向量” (feature vector)。**

3. 训练相关的一些术语

从数据中学得模型的过程称为**“学习” (learning) 或"训练" (training)**；

这个过程通过执行某个学习算法来完成.训练过程中使用的数据称为**“训练数据” (training data)** ；

其中每个样本称为一个训练样本" (training sample),；

训练样本组成的集合称为"训练集" (training set).

学得模型对应了关于数据的某种潜在的规律，因此亦称"假设" (hypothesis);

这种潜在规律自身，则称为**“真相"或"真实” (ground-truth)** ；

学习过程就是为了找出或逼近真相.本书有时将模型称为"学习器" (learner) ，可看作学习算法在给定数据和参数空间上的实例化.

训练不止需要样本的属性信息，还需要样本的"结果"信息，例如" ((色泽:青绿;根蒂二蜷缩;敲声=浊响)，好瓜)" .这里关于示例结果的信息，例如"好瓜"，称为标记 (labe1);

拥有了标记信息的示例，则称为**“样例” (example)**。如下图

若我们欲预测的是离散值，例如"好瓜" “坏瓜”，此类学习任务称为**“分类” (classification)**;

若欲预测的是连续值?例如西瓜成熟度 0.95 0.37，此类学习任务称为**“回归” (regression)**.

对只涉及两个类别的**“二分类” (binary classification)** 任务，通常称其中一个类为正类（positive class），另一个类为**“反类” (negative class);**

涉及多个类别时，则称为**“多分类” (multi-class classificatio）**任务。

学得模型适用于新样本的能力，称为"泛化" (generalization) 能力.具有强泛化能力的模型能很好地适用于整个样本空间.

三、假设空间

在数学公理系镜中，基于一组公理和推理规则推导出与之相洽的定理，这是演绎;而"从样例中学习"显然是一个归纳的过程，因此亦称"归纳学习" (inductive learning) .。

我们可以把学习过程看作一个在所有假设(hypothesis) 组成的空间中进行搜索的过程。如下图

有多少种可能呢，就是一个排列组合。现实问题中我们常面临很大的假设空间，但学习过程是基于有限样本训练集进行的，因此，可能有多个假设与训练集一致，即存在着一个与训练集一致的"假设集合"，我们称之为**“版本空间” (version space)**。

四、归纳偏好

对于图1.2的西瓜版本空间，对应(色泽口=青绿;根蒂=蜷缩;敲声=沉闷)这个新收来的瓜，如果我们采用的是"好瓜<->(色泽=* )^{(根蒂=蜷缩)}(敲声=*)，那么将会把新瓜判断为好瓜，而如果采用了另外两个假设，则判断的结果将不是好瓜。若仅有表1. 中的训练样本，则无法断定上述三个假设中明哪一个"更好, 那么计算机就傻了。

怎么办，任何一个有效的机器学习算法必有其归纳偏好，否则它将被假设空间中看似在训练集上"等效"的假设所迷惑，而无法产生确定的学习结果。

那么，有没有一般性的原则来引导算法确立"正确的"偏好呢? “奥卡姆剃刀” (Occam’s razor) 是一种常用的、自然科学研究中最基本的原则，即"若有多个假设与观察一致，则选最简单的那个。

总结

脱离具体问题，空泛地谈论"什么学习算法更好"毫无意义，因为若考虑所有潜在的问题，则所有学习算法都一样好。要谈论算法的相对优劣，必须要针对具体的学习问题;在某些问题上表现好的学习算法，在另一些问题上却可能不尽如人意，学习算法自身的归纳偏好与问题是否相配，往往会起到决定性的作用。