面向特征集不平衡的跨项目缺陷预测
软件工程
2014-11-18 v1
摘要
跨项目缺陷预测 (CPDP) 被视为软件质量保证的一项新兴技术，尤其适用于新启动或非活跃项目，且已有若干改进方法被提出以支持更优的缺陷预测。然而，常规 CPDP 总是假设训练数据与测试数据的特征完全相同。因此，关于针对特征集不平衡的跨项目缺陷预测 (CPDP-IFS) 方法是否有效，目前知之甚少。考虑到互联网上可用的缺陷数据集的多样性以及数据标注的高成本，为解决这一问题，本文提出了一种基于分布特性的实例（对象类）映射的简单方法，并基于三个公开缺陷数据集（即 PROMISE、ReLink 和 AEEEM）验证了该方法的有效性。此外，实证结果表明，由 CPDP 和 CPDP-IFS 组成的混合模型在一定程度上确实提高了常规 CPDP 的预测性能。
引用
@article{arxiv.1411.4228,
title = {Towards Cross-Project Defect Prediction with Imbalanced Feature Sets},
author = {Peng He and Bing Li and Yutao Ma},
journal= {arXiv preprint arXiv:1411.4228},
year = {2014}
}
备注
10 pages, 8 figures, 7 tables