利用“$\epsilon$-优势”构建更优的软件质量预测器

尽管已有广泛研究，软件质量预测中的许多方法在其结果上仍表现出一定程度的不确定性。本文不将此视为问题，而是探讨这种不确定性是否可作为一种资源来简化软件质量预测。例如，Deb的$\epsilon$-优势原理指出，若存在某个$\epsilon$值，低于该值区分结果无用或不可能，则探索小于$\epsilon$的内容便是多余的。我们认为，对于“大$\epsilon$问题”，学习的結果空间实际上仅包含少数区域。若将许多学习器应用于此类大$\epsilon$问题，它们会展现出“殊途同归”特性；即许多不同的软件质量预测方法会生成一小组非常相似的结果。本文探讨了DART算法，其专为在大$\epsilon$软件质量预测问题中取得成功而特别选定。DART极为简单，但在实验中显著优于三组最先进的缺陷预测方法。DART在缺陷预测上的成功引出了一个问题：软件质量预测器中还有多少其他领域也可被大幅简化？这将是未来工作的一个富有成果的方向。