現(xiàn)代社會(huì)中,計(jì)算機(jī)軟件產(chǎn)業(yè)迅速發(fā)展,生活中的各個(gè)角落都充斥著計(jì)算機(jī)軟件的影子。軟件缺陷預(yù)測(cè)是軟件開發(fā)工程中的重要環(huán)節(jié),如果在開發(fā)的過程中可以及時(shí)發(fā)現(xiàn)并糾正軟件中潛在的缺陷,可以在一定的程度上提高軟件的質(zhì)量。所以,軟件缺陷預(yù)測(cè)在保證軟件質(zhì)量中發(fā)揮著重要的作用。軟件缺陷預(yù)測(cè)的目的是有效地識(shí)別出有缺陷的樣本。為了預(yù)測(cè)軟件中的缺陷,許多數(shù)據(jù)挖掘算法已被提出,如支持向量機(jī)和貝葉斯等。然而,真實(shí)的軟件缺陷預(yù)測(cè)中的數(shù)據(jù)往往是類別不平衡的,這些傳統(tǒng)的方法并不能有效地處理此類數(shù)據(jù)。鑒于此,研究者提出了重采樣、代價(jià)敏感學(xué)習(xí)和集成學(xué)習(xí)等方法。但這些方法或者改變了原始數(shù)據(jù)集的真實(shí)性,或者只是單純地在訓(xùn)練階段或決策階段處理類別不平衡。為了處理軟件缺陷中這種類別不平衡問題,本文提出了一個(gè)基于改進(jìn)的類權(quán)自適應(yīng)、軟投票與閾值移動(dòng)的Bagging集成模型,該模型在不改變?cè)紨?shù)據(jù)集比例的情況下,從訓(xùn)練和決策兩個(gè)階段同時(shí)考慮處理類別不平衡問題。為了證明文中提出的方法的有效性,實(shí)驗(yàn)采用NASA和Eclipse軟件缺陷標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行預(yù)測(cè),并與最近幾年提出的軟件缺陷預(yù)測(cè)方法進(jìn)行對(duì)比,實(shí)驗(yàn)表明,該文提出的處理軟件缺陷預(yù)測(cè)中類別不平...

【文章頁數(shù)】：55 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1本文方法流程

機(jī)器學(xué)習(xí)算法可以有效地建立軟件缺陷預(yù)測(cè)模型。然而相關(guān)工作存在特征冗余、分類器選擇和模型解釋的不足[3],對(duì)此，本文提出一種基于SDL-LightGBM集成學(xué)習(xí)的軟件缺陷預(yù)測(cè)模型，方法流程如圖1所示。2.1建立特征集

圖3.1缺陷預(yù)測(cè)技術(shù)模型

西南大學(xué)工程碩士學(xué)位論文23第3章基于集成學(xué)習(xí)的軟件缺陷預(yù)測(cè)模型的建立缺陷預(yù)測(cè)技術(shù)模型經(jīng)過對(duì)缺陷預(yù)測(cè)相關(guān)技術(shù)的分析總結(jié)，本文將結(jié)合特征選擇、類不平衡處理和集成學(xué)習(xí)綜合建模構(gòu)建軟件缺陷預(yù)測(cè)模型。本文的技術(shù)模型主要分為兩個(gè)階段，分別是建立模型階段和應(yīng)用模型階段。在建立模型階段，首先對(duì)....

圖3.3基于Stacking的模型組合

西南大學(xué)工程碩士學(xué)位論文28基于集成學(xué)習(xí)的軟件缺陷預(yù)測(cè)模型3.4.1基于Stacking的缺陷預(yù)測(cè)模型集成學(xué)習(xí)模型均由基礎(chǔ)分類算法構(gòu)成，本文將邏輯回歸（LG）、樸素貝葉斯（NB）、決策樹（J48）和神經(jīng)網(wǎng)絡(luò)（NN）作為Stacking集成學(xué)習(xí)的基礎(chǔ)分類器，相關(guān)算法介紹詳見第2章。....

圖3.4基于Bagging的模型組合

西南大學(xué)工程碩士學(xué)位論文28基于集成學(xué)習(xí)的軟件缺陷預(yù)測(cè)模型3.4.1基于Stacking的缺陷預(yù)測(cè)模型集成學(xué)習(xí)模型均由基礎(chǔ)分類算法構(gòu)成，本文將邏輯回歸（LG）、樸素貝葉斯（NB）、決策樹（J48）和神經(jīng)網(wǎng)絡(luò)（NN）作為Stacking集成學(xué)習(xí)的基礎(chǔ)分類器，相關(guān)算法介紹詳見第2章。....

本文編號(hào)：4005365