現(xiàn)代社會中,計算機軟件產(chǎn)業(yè)迅速發(fā)展,生活中的各個角落都充斥著計算機軟件的影子。軟件缺陷預測是軟件開發(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量。所以,軟件缺陷預測在保證軟件質量中發(fā)揮著重要的作用。軟件缺陷預測的目的是有效地識別出有缺陷的樣本。為了預測軟件中的缺陷,許多數(shù)據(jù)挖掘算法已被提出,如支持向量機和貝葉斯等。然而,真實的軟件缺陷預測中的數(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、代價敏感學習和集成學習等方法。但這些方法或者改變了原始數(shù)據(jù)集的真實性,或者只是單純地在訓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,本文提出了一個基于改進的類權自適應、軟投票與閾值移動的Bagging集成模型,該模型在不改變原始數(shù)據(jù)集比例的情況下,從訓練和決策兩個階段同時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,實驗采用NASA和Eclipse軟件缺陷標準數(shù)據(jù)集進行預測,并與最近幾年提出的軟件缺陷預測方法進行對比,實驗表明,該文提出的處理軟件缺陷預測中類別不平...

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【部分圖文】：

圖1本文方法流程

機器學習算法可以有效地建立軟件缺陷預測模型。然而相關工作存在特征冗余、分類器選擇和模型解釋的不足[3],對此，本文提出一種基于SDL-LightGBM集成學習的軟件缺陷預測模型，方法流程如圖1所示。2.1建立特征集

圖3.1缺陷預測技術模型

西南大學工程碩士學位論文23第3章基于集成學習的軟件缺陷預測模型的建立缺陷預測技術模型經(jīng)過對缺陷預測相關技術的分析總結，本文將結合特征選擇、類不平衡處理和集成學習綜合建模構建軟件缺陷預測模型。本文的技術模型主要分為兩個階段，分別是建立模型階段和應用模型階段。在建立模型階段，首先對....

圖3.3基于Stacking的模型組合

西南大學工程碩士學位論文28基于集成學習的軟件缺陷預測模型3.4.1基于Stacking的缺陷預測模型集成學習模型均由基礎分類算法構成，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（NN）作為Stacking集成學習的基礎分類器，相關算法介紹詳見第2章。....

圖3.4基于Bagging的模型組合

西南大學工程碩士學位論文28基于集成學習的軟件缺陷預測模型3.4.1基于Stacking的缺陷預測模型集成學習模型均由基礎分類算法構成，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（NN）作為Stacking集成學習的基礎分類器，相關算法介紹詳見第2章。....

本文編號：4005365