Bellwethers：一种迁移学习的基线方法

软件分析为软件项目构建质量预测模型。经验表明：(a) 研究的项目越多，结论变化越大；(b) 如果分析结果不断变化，项目经理会对软件分析的结果失去信心。为减少这种结论不稳定性，我们提议使用“bellwethers”：给定一个社区的 N 个项目，bellwether 是其数据能在所有其他项目上产生最佳预测的那个项目。Bellwethers 提供了一种缓解结论不稳定性的方法，因为只要该 bellwether 继续作为最佳预言者，关于该社区的结论就是稳定的。Bellwethers 也易于发现（只需在标准数据挖掘器外包裹一个 for 循环）。与其他迁移学习方法（TCA+、迁移朴素贝叶斯、价值认知提升）相比，仅使用 bellwether 数据构建一个简单的迁移学习器，就能产生可比的预测效果。此外，bellwethers 出现在许多软件工程任务中，如缺陷预测、工作量估算和坏味道检测。因此，我们推荐使用 bellwethers 作为迁移学习的一种基线方法，未来的工作应与之进行比较。