通过减少排序错误提高基于分类器的努力感知软件缺陷预测

背景：软件缺陷预测利用历史数据将软件质量保证资源引导到 potentially problematic 的组件。努力感知（EA）缺陷预测通过考虑成本效应优先级更像缺陷的组件。换句话说，它是一个排序问题，但现有的基于分类的排序策略对排序错误的考虑有限。目标：提高基于分类器的EA排序方法性能，专注于排序错误。方法：我们提出了称为EA-Z的排序得分计算策略，以设置下界以避免接近零的排序错误。我们研究了四种主要EA排序策略与16种分类学习器的组合，并对EA-Z与其他四种现有策略进行实验。结果：来自72个数据集的实验结果表明，EA-Z在考虑所有16种学习器时，在Recall@20%和Popt方面是最佳的排序得分计算策略。对于特定学习器，失衡集成学习器UBag-svm和UBst-rf采用EA-Z可获得最佳性能。结论：我们的研究表明，减少基于分类器的努力感知缺陷预测中的排序错误是有效的。我们建议使用EA-Z配合失衡集成学习。