基于组合机器学习算法的软件缺陷预测模型

被引：26

作者：

傅艺绮

董威

尹良泽

杜雨晴

机构：

[1] 国防科学技术大学计算机学院

来源：

计算机研究与发展 | 2017年 / 03期

关键词：

软件缺陷预测; 机器学习; 集成学习; 组合; Eclipse预测数据集;

D O I：

暂无

中图分类号：

TP311.53 []; TP181 [自动推理、机器学习];

学科分类号：

摘要：

软件缺陷预测是根据软件产品中提取的度量信息和已经发现的缺陷来尽早地预测软件可能还存在的缺陷,基于预测结果可合理分配测试和验证资源.基于机器学习的缺陷预测技术能够较全面地、自动地学习模型来发现软件中的缺陷,已经成为缺陷预测的主要方法.为了提高预测的效率和准确性,对机器学习算法的选择和研究是很关键的.对不同的机器学习缺陷预测方法进行对比分析,发现各算法在不同评价指标上有不同的优势,利用这些优势并结合机器学习中的stacking集成学习方法提出了将不同预测算法的预测结果作为软件度量并进行再次预测的基于组合机器学习算法的软件缺陷预测模型,最后用该模型对Eclipse数据集进行实验,表明了该模型的有效性.

引用

页码：633 / 641

页数：9

共 8 条

[1] Adaboost算法改进BP神经网络预测研究
李翔
朱全银
[J]. 计算机工程与科学, 2013, 35 (08) : 96 - 102
[2] 代码度量、过程度量和历史缺陷度量：工作量感知的缺陷预测能力比较[D]. 赵宏远.南京大学. 2013
[3] 特征选择在软件缺陷预测技术中的应用研究[D]. 王培.华中师范大学. 2013
[4] 基于AdaBoost-SVM的软件缺陷优先级预测模型的研究[D]. 常成成.南京邮电大学. 2013
[5] A systematic and comprehensive investigation of methods to build and evaluate fault prediction models[J] . Erik Arisholm,Lionel C. Briand,Eivind B. Johannessen.The Journal of Systems & Software . 2009 (1)
[6] Analysis of Naive Bayes’ assumptions on software fault data: An empirical study[J] . Burak Turhan,Ayse Bener.Data & Knowledge Engineering . 2008 (2)
[7] Mining software repositories for comprehensible software fault prediction models[J] . Olivier Vandecruys,David Martens,Bart Baesens,Christophe Mues,Manu De Backer,Raf Haesen.The Journal of Systems & Software . 2007 (5)
[8] Comparative Assessment of Software Quality Classification Techniques: An Empirical Case Study[J] . Taghi M. Khoshgoftaar,Naeem Seliya.Empirical Software Engineering . 2004 (3)

← 1 →