传统与即时软件缺陷预测模型中的特征重要性
软件工程
2024-11-11 v1
摘要
软件缺陷预测模型可以通过优先测试易出错模块来辅助软件测试工作。近年来，除了从类、模块等预测缺陷的传统缺陷预测方法外，关注软件产品变更历史的即时(Just-In-Time)缺陷预测研究正变得突出。为了构建这些缺陷预测模型，理解哪些特征是这些分类器的主要贡献者非常重要。本研究考虑了利用Apache Camel项目的公开数据集，构建融合传统方法和即时方法的缺陷预测模型。将多层深度学习算法应用于这些数据集，并与机器学习算法进行了比较。深度学习算法在传统缺陷预测和即时缺陷预测中分别取得了80%和86%的准确率，以及66%和78%的受试者工作特征曲线下面积(AUC)分数。最后，使用模型特定的积分梯度(integrated gradient)方法和模型无关的沙普利加性解释(Shapley Additive Explanation, SHAP)技术识别了这些模型的特征重要性。
引用
@article{arxiv.2411.05230,
title = {Feature Importance in the Context of Traditional and Just-In-Time Software Defect Prediction Models},
author = {Susmita Haldar and Luiz Fernando Capretz},
journal= {arXiv preprint arXiv:2411.05230},
year = {2024}
}
备注
5 pages, IEEE Canadian Conference on Electrical and Computer Engineering (CCECE), August/2024