软件缺陷集成预测模型研究

合集下载

相关主题

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

文献标志码：Ａ
文章编号：１００１ — ３６９５（２０１３）０６ — １７３４．０５
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１ — ３６９５．２０１３．０６．０３５
（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＳｈａａｎｘｉＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ’ ａｎ７１００６２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｓｏｔｗａｆｒｅｄｅｆｅｃｔｐｒｅｄｉｃｔｉｏｎｕｓｉｎｇｃｌａｓｓｉｉｃｆａｔｉｏｎａｌｇｏｒｉｔｈｍｓｗａｓａｄｖｏｃａｔｅｄｂｙｍａｎｙｒｅｓｅａｒｃｈｅｒｓ．Ｈｏｗｅｖｅｒｓｅｖｅｒａｌ
票的集成分类框架具有最优的预测性能以及统计学意义上的性能优势显著性，随机森林算法次之。Ｓｔａｃｋｉｎｇ集
成框架也具有较强的泛化能力。
关键词：软件缺陷预测；集成分类；投票；随机森林
中图分类号：ＴＰ３１１．５
刘小花，王涛，吴振强
（陕西师范大学计算机科学学院，西安７１００６２）摘要：利用单一分类器构造的缺陷预测模型已经遇到了性能瓶颈，而集成分类器相比单一分类器往往具有显
著的性能优势。以构造高效的集成缺陷预测模型为出发点，比较了七种不同类型集成分类器的算法和特点。在１４个基准数据集上的实验显示，部分集成预测模型的性能优于基于朴素贝叶斯的单一预测模型。其中，基于投
Ｓｏｆｔｗａｒｅｄｅｆｅｃｔｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｃｌａｓｓｉｆｉｅｒｓｅｎｓｅｍｂｌｅ
ＬＩＵＸｉａｏ — ｈｕａ．ＷＡＮＧＴａｏ．ＷＵＺｈｅｎ— ｑｉａｎｇ
ｅｒ．Ｓｐｅｃｉａｌｌｙ．ｉｎａｌｌｓｅｖｅｎｅｎｓｅｍｂｌｅｍｅｔｈｏｄｓｅｖｏｌｖｅｄｂｙｔｈｉｓｅｘｐｅｒｉｍｅｎｔｓ．ｖｏｔｉｎｇａｎｄｒａｎｄｏｍｆｏｒｅｓｔｈａｖｅｏｂｖｉｏｕｓｐｅｒｆｏｒｍａｎｃｅｓｕｐｅｉｏｒｒｉｔｙｔｈａｎｏｔｈｅｒｓ，ａｎｄＳｔａｃｋｉｎｇａｌＳＯｈａｓｂｅｔｔｅｒｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙ．Ｋｅｙｗｏｒｄｓ：ｓｏｆｔｗａｒｅｄｅｆｅｃｔｐｒｅｄｉｃｔｉｏｎ；ｃｌａｓｓｉｉｅｆｒｓｅｎｓｅｍｂｌｅ；ｖｏｔｅ；ｒａｎｄｏｍｆｏｒｅｓｔ
．
ｎｅｗｌｉｔｅｒａｔｕｒｅｓｓｈｏｗｔｈｅｐｅｆｏｒｒｍａｎｃｅｂｏｔｔｌｅｎｅｃｋｂｙａｐｐｌｙｉｎｇａｓｉｎｇｌｅｃｌａｓｓｉｉｅｆｒｒｅｃｅｎｔｙｅａｒｓ．Ｏｎｔｈｅｏｔｈｅｒｈａｎｄ．ｃｌａｓｓｉｉｅｆｒｓｅｎ — ｓｅｍｂｌｅｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｃｌａｓｓｉｆｉｃａｔｉｏｎｐｅｒｆｅｌｒｍａｎｃｅｔｈａｎａｓｉｎｇｌｅｃｌａｓｓｉｉｅｆｒ．Ｔｈｉｓｐａｐｅｒｃｏｎｄｕｃｔｅｄａｃｏｍｐａｒａｔｉｖｅｓｔｕｄｙｏｆｖａｉｏｒｕｓｅｎｓｅｍｂｌｅｍｅｔｈｏｄｓｗｉｔｈｐｅｒｓｐｅｃｔｉｖｅｏｆｔａｘｏｎｏｍｙ．Ａｓｅｒｉｅｓｏｆｂｅｎｃｈｍａｒｋｉｎｇｅｘｐｅｉｍｅｒｎｔｓｏｎｐｕｂｌｉｃ — ｄｏｍａｉｎｄａｔａｓｅｔｓＭＤＰ
第３ பைடு நூலகம்卷第６期
２０１３年６月
计算机应用研究
ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ
Ｖ０ｌＪ３０Ｎｏ．６
Ｊｕｎ．２０１３
软件缺陷集成预测模型研究术
ｓｈｏｗｔｈａｔａｐｐｌｙｉｎｇｃｌａｓｓｉｉｆｅｒｓｅｎｓｅｍｂｌｅｍｅｔｈｏｄｓｔｏｐｒｅｄｉｃｔｄｅｆｅｃｔｃｏｕｌｄａｃｈｉｅｖｅｂｅｔｔｅｒｐｅｆｒｏｒｍａｎｃｅｔｈａｎｕｓｉｎｇａｓｉｎｇｌｅｃｌａｓｓｉｉｆ —