基于特征提取和代價敏感學習的軟件缺陷預測方法研究.pdf

1、軟件缺陷已經成為軟件開發(fā)過程中不得不面對的重要問題?；跈C器學習的軟件缺陷預測技術從已有的軟件模塊中獲得的歷史數據，對新的軟件模塊進行缺陷預測，從而判定它們是否存在缺陷，為軟件項目提供決策支持。本文分析了軟件缺陷預測的特點，同時針對當前軟件缺陷預測中存在特征冗余問題和類不平衡問題進行了深入研究，做出了以下工作：
　?。?）為了解決軟件模塊中的特征冗余問題給軟件缺陷預測造成困難，提高對軟件缺陷預測的準確率，本文提出了基于監(jiān)督學習的核

2、拉普拉斯特征映射算法（SKLE）。SKLE將核方法和監(jiān)督學習運用到拉普拉斯特征映射算法（LE）上，改進LE算法中的距離度量方式的不足。在NASA軟件數據庫上與相關算法進行了實驗比較，結果表明通過SKLE提取的低維特征能夠有效地消除軟件模塊之間的冗余信息，獲得較高的F-measure值。
　?。?）考慮到軟件缺陷預測中存在的兩類不平衡問題以及誤分代價問題，本文借助代價敏感學習，提出了基于代價敏感的神經網絡算法（CSBPNN）。CSB

3、PNN在誤差函數中加入代價敏感信息，調整BP神經網絡的權值和偏置參數，使BP神經網絡對第二類誤分類更加敏感。與其他代價敏感分類算法相比，CSBPNN有效地解決了軟件缺陷預測中代價敏感問題，提高了有缺陷軟件模塊的召回率和F-measure值。
　　（3）考慮到單一分類器的分類能力有限，本文采用集成學習方法，提出了基于代價敏感的集成學習算法（Cost-Adaboost）進一步提高算法的性能。與最新的幾種軟件缺陷預測方法相比，Cost-