面向缺陷分派的训练集缩减研究

缺陷分派是缺陷修复过程中的重要步骤。缺陷分派的目标是将新提交的缺陷分配给正确的潜在开发者。现有的缺陷分派方法基于机器学习算法，这些算法从缺陷报告的训练集中构建分类器。在实践中，这些方法面临训练集规模大且质量低的问题。在本文中，我们提出结合特征选择与实例选择技术的训练集缩减方法用于缺陷分派。我们将特征选择与实例选择相结合以提高缺陷分派的准确度。本文研究了特征选择算法、实例选择算法迭代案例过滤及其组合。我们在Eclipse的缺陷数据上评估了训练集缩减。对于训练集，在训练集缩减后移除了70%的单词和50%的缺陷报告。实验结果表明，新的小规模训练集能提供比原始训练集更好的准确度。