学习策略对软件缺陷倾向预测未被述及的影响
软件工程
2022-07-13 v1 机器学习
摘要
软件缺陷倾向预测是一个活跃的研究领域，许多影响预测性能的因素已被广泛研究。然而，除了一项初步工作外，学习策略（即用于训练的数据细节与所预测目标变量）对预测性能的影响尚未被研究。本文探讨了两种学习策略 useAllPredictAll 与 usePrePredictPost 在发布内与跨发布情形下对软件缺陷倾向预测性能的影响。实证结果基于从十二个开源项目的 64 个发布版本中提取的数据。结果表明，学习策略对分类性能具有显著且通常未被承认的影响。具体而言，无论在发布内还是跨发布情形下，使用 useAllPredictAll 均比使用 usePrePredictPost 学习策略带来显著更优的性能。此外，本文揭示：对于发布内预测，分类性能的此差异源于两种学习策略中不同程度的类不平衡。当类不平衡被处理时，学习策略间的性能差异即被消除。我们的发现意味着，应始终明确标识学习策略并考量其对软件缺陷倾向预测的影响。本文最后讨论了我们的结果对研究与实践的潜在后果。
引用
@article{arxiv.2207.05710,
title = {The Untold Impact of Learning Approaches on Software Fault-Proneness Predictions},
author = {Mohammad Jamil Ahmad and Katerina Goseva-Popstojanova and Robyn R. Lutz},
journal= {arXiv preprint arXiv:2207.05710},
year = {2022}
}