DBBRBF——基于混合分布均衡实例选择与径向基函数分类器的软件缺陷预测问题优化
软件工程
2023-11-13 v1
摘要
随着软件工程的快速发展，软件正成为人类生活的内在组成部分，这要求软件具有极高的可靠性。可靠性检查可通过利用历史软件预测数据的高效软件测试方法来实现，以开发高质量的软件系统。机器学习因其有效性，在优化实际软件中易缺陷模块预测方面发挥着至关重要的作用。软件缺陷预测数据存在类不平衡问题，即缺陷类与非缺陷类的比例较低，这迫切需要一种高效的机器学习分类技术，否则会降低分类性能。为缓解该问题，本文提出一种新颖的基于混合实例的分类方法，将基于分布均衡的实例选择与径向基函数神经网络分类器模型（DBBRBF）相结合，相较于现有研究可获得最佳预测效果。实验分析使用了 NASA、Promise 和 Softlab 的类不平衡数据集。基于准确率、F 值、AUC、召回率、精确率和平衡度的实验结果表明了所提方法的有效性。最后，进行了统计显著性检验以理解所提模型的适用性。
引用
@article{arxiv.1806.03260,
title = {DBBRBF- Convalesce optimization for software defect prediction problem using hybrid distribution base balance instance selection and radial basis Function classifier},
author = {Mrutyunjaya Panda},
journal= {arXiv preprint arXiv:1806.03260},
year = {2023}
}
备注
32 pages, 24 Tables, 8 Figures,