測試流程的重要性不言而喻，網際網路公司擁有一套嚴格的測試流程和測試規範是把關線上**質量的重中之重。乙個專案或者需求，從提出，到開發，測試，上線，線上回歸，每乙個環節都是必不可少的。很多經驗不夠豐富的測試同學會認為在測試環境測試用例都執行通過了，那麼相同的**上線之後就肯定沒有問題，這種想法是完全不正確的：
由於生產環境和測試環境並不完全一樣，生產環境的機器配置也與測試環境無法一致，所以如果沒有生產環境的線上回歸，無法預知生產環境的上線**相關的效能測試結果；
軟體測試的最終目的是什麼，就是要保證軟體的質量穩定執行無問題。
測試工作中，講究很多方式方法：測試工具的使用，測試技巧的掌握，都能令自己的工作事半功倍。本人剛入行測試行業的時候，回歸測試過程中總是感覺阻礙重重。
按我的總結，線上回歸之所以難，遭受到很多抱怨，無非就是兩點原因：
相關頁面的許可權沒有拿到，測試受限；
第2點比較好解決，小廠的話和leader或者相關開發溝通一下，出於對新**的測試考慮，肯定是不會拒絕的；大廠的話可能需要郵件並抄送相關leader，雖然流程慢一些，但是也會給與相關的許可權或者支援的。
挑選部分測試用例，選擇性的進行回歸驗證；例如乙個活動的各種狀態的校驗；
利用介面的呼叫去完成一些不好構造的業務流程或者冗長的流程；
提前申請好相關頁面的許可權，校驗相關功能的話使用者控制在相關使用者分群或者白名單，這樣可以讓構建的資料真實使用者不可見；
這裡針對第二點展開說明：需要了解端內頁面和服務端的資料互動邏輯：多去了解介面相關的東西，上篇文章也介紹了通過介面如何構建一些測試資料。這裡不再做說明。
之前在某叫車服務公司擔任測試工作，在獎勵系統，有很多複雜的邏輯觸發各種不同的獎勵機制，需求的大部分變更都是這個頁面改一點，後台獎勵活動配置條件或者策略增加那麼一兩個。所以變動點在上線之後，盡量多利用現成的線上訂單資料來回歸是最好，資料多且全面；
舉個例子：某活動只邀請快車型別司機參加，專車司機不可報名；這個時候線上如何回歸？
常規方法是：建立乙個白名單的測試活動，找個專車司機賬號，找該活動，報名。
測當然可以這樣測，但是這個活動可能直接對專車司機不可見了，那麼報名參加的二次攔截的測試點可能就無法測試到了。這個時候就可以呼叫報名的介面，輸入專車的賬號和其他引數，測試是否有校驗和攔截；活動的列表頁展示的資料，也是另乙個介面返回的資料，傳入專車司機賬號，呼叫活動列表頁的介面，然後查詢一下是否有自己建立的測試活動，如果沒有就是驗證通過；
以上兩個測試點可以很輕鬆的利用呼叫介面的方法完成回歸測試，資料展示直觀可靠，效率也更高；
如果是端內原生頁面或者h5有樣式上的改動，那我們就具體情況具體分析，原生頁面我們去更新包測試，h5的話可以問前端要線上鏈結，直接就可以在瀏覽器檢視展示，介面的呼叫也可以在控制台檢視呼叫的介面和資料，非常便捷；
如果測試點在活動後的獎勵領取，看傳送獎勵的指令碼是以什麼維度來派發的：活動的維度，活動狀態的維度，或者白名單的維度等等，線上指令碼的執行，也是可以控制在少數資料執行測試的；傳送成功後，如果有真實的數額進賬到司機的錢包，那麼在回歸測試完成之後記得把錢如數退還公司哦~
線性回歸梳理
機器學習的一些概念 有監督 訓練資料的結果已被告知 無監督 不告訴結果，讓演算法自行判斷 過擬合 高方差，低偏差 解決辦法 使用正則化項 欠擬合 高偏差，低方差。這時增加樣本數量是沒用的。解決辦法 增加特徵 可以通過學習曲線判斷學習演算法是處於欠擬合還是過擬合。交叉驗證 機器學習中確定超引數的通用的...
回歸模型梳理
一.線性回歸 二.邏輯回歸 邏輯回歸產生的原因 1 線性回歸也可以用於分類，但容易被極端的資料影響，資料分布不規則時，對函式值影響較大，函式值分類指標容易產生較大誤差。2 線性回歸的值是從負無窮到正無窮，而分類問題的值是0 1的。三.softmax回歸 選擇e為底的原因 函式值不為負，可以保證概率介...
線性回歸演算法梳理
機器學習的一些概念 有監督 有目標值y 無監督 無目標值y 泛化能力 在 集上的 能力 過擬合欠擬合 方差和偏差以及各自解決辦法 測試集 能力不好叫欠擬合，在測試集上ok，訓練集ng 方差能解決過你和問題，偏差能解決欠擬合問題 交叉驗證 將樣本分為n分，按照一定的劃分方式劃分訓練集和測試集，互相交叉...