在当今社会,机器学习技术得到了广泛的应用,并且业已对我们的的生活产生了重大的影响。同其他所有的软件一样,机器学习软件中也会存在错误。那些被广泛应用的机器学习软件一旦出现了错误,很可能造成严重的经济财产损失乃至人身安全危害。正确地实现机器学习算法,高效地发现机器学习算法中的错误因而具有重要意义。然而,在机器学习算法的实现中发现错误是一个非常困难的任务。由于机器学习算法的输出是一个按照从数据上学习出的规律而运行的模型,开发者通常难以给出机器学习算法的预期输出,从而难以利用传统的软件测试方法来发现机器学习算法实现中的错误。该问题被也称为无预期输出问题。尽管有研究者提出了基于多版本测试、蜕变测试等技术的方法,但是由于这些方法的局限性,在机器学习算法实现中发现错误的过程仍然严重依赖于编程者经验或者需要付出大量的额外开发成本。针对机器学习算法实现的无预期输出问题,本文创新性地提出了基于机器学习方法的解决方案,并取得以下进展:第一,我们提出一种新颖且通用的机器学习方法(IBM)~2,以解决机器学习算法实现的无预期输出问题。我们的方法创新之处在于其可以从不同类型的学习算法的正确实现中学习,描述出参考的所有正确实现在目标数据集上的普遍行为规律,作为待测学习算法实现的期望输出的近似。我们从算法实现在不同数据集上输出的模型的预测结果中提取行为特征,并且根据这个特征学习出参考的所有正确实现都符合的行为规范。不符合这个行为规范的算法实现则被我们的方法判别为有错误的。我们在基于广为人知并久经测试的机器学习算法实现库WEKA生成的机器学习算法实现数据集上进行了实验,并同多组对比方法进行了比较。实验结果显示了我们提出的方法的有效性。第二,针对(IBM)~2方法在高维行为特征空间中运行时空开销过大的问题,我们提出一种基于行为元特征的行为特征选择方法,可以从原始的高维行为特征空间中选出一个相关性强而冗余度低的子空间,从而降低学习出判别器和利用判别器进行判断的开销。我们的方法利用了学习算法模型往往对相邻样本产生相近预测结果的性质,用每个维度对应的元特征来估计行为特征的冗余性,并在原始空间中用简单的单类线性模型估计每个维度同标签的相关性。我们在提出的机器学习算法实现数据集上验证了我们的方法。相对于对比方法,我们的方法更加有效。