一类支持向量机在不同缺陷预测场景中的有效性研究
软件工程
2024-03-26 v2 人工智能
机器学习
摘要
缺陷预测旨在软件交付最终用户之前识别可能引发故障的软件组件。迄今为止，该任务被建模为二类分类问题，但其本质也允许将其表述为一类分类任务。先前研究表明，一类支持向量机（OCSVM）在基于项目的缺陷预测中可优于二类分类器，但在更细粒度（即提交级缺陷预测）下应用时效果不佳。本文进一步研究仅从一类学习是否足以在另外两种不同场景（即粒度）下生成有效的缺陷预测模型，即跨版本与跨项目缺陷预测模型，并为完整性复现了先前在基于项目粒度上的工作。我们的实证结果证实，OCSVM在不同粒度级别上性能仍然较低，即在跨版本与跨项目缺陷预测中均被二类随机森林（RF）分类器超越。虽然我们无法得出OCSVM是最佳分类器的结论，但我们的结果仍展示了有趣的发现：尽管OCSVM未超越RF，其性能仍优于其二类对应模型（即SVM）以及本文研究的其他二类分类器。我们还观察到OCSVM更适用于跨版本与跨项目缺陷预测，而非基于项目的缺陷预测，这表明其在异构数据上表现更好。我们鼓励对缺陷预测的一类分类器开展进一步研究，因为这类技术在缺陷模块数据稀缺或不可用时可作为替代方案。
引用
@article{arxiv.2202.12074,
title = {On The Effectiveness of One-Class Support Vector Machine in Different Defect Prediction Scenarios},
author = {Rebecca Moussa and Danielle Azar and Federica Sarro},
journal= {arXiv preprint arXiv:2202.12074},
year = {2024}
}
备注
Published at SANER'24 (Winner of the Best RENE paper award) see https://conf.researchr.org/details/saner-2024/saner-2024-reproducibility-studies-and-negative-results--rene--track-/78/On-The-Effectiveness-of-One-Class-Support-Vector-Machine-in-Different-Defect-Predicti