基于集成模型的软件缺陷预测

发布时间：2024-07-11 06:13

　　现代社会中,计算机软件产业迅速发展,生活中的各个角落都充斥着计算机软件的影子。软件缺陷预测是软件开发工程中的重要环节,如果在开发的过程中可以及时发现并纠正软件中潜在的缺陷,可以在一定的程度上提高软件的质量。所以,软件缺陷预测在保证软件质量中发挥着重要的作用。软件缺陷预测的目的是有效地识别出有缺陷的样本。为了预测软件中的缺陷,许多数据挖掘算法已被提出,如支持向量机和贝叶斯等。然而,真实的软件缺陷预测中的数据往往是类别不平衡的,这些传统的方法并不能有效地处理此类数据。鉴于此,研究者提出了重采样、代价敏感学习和集成学习等方法。但这些方法或者改变了原始数据集的真实性,或者只是单纯地在训练阶段或决策阶段处理类别不平衡。为了处理软件缺陷中这种类别不平衡问题,本文提出了一个基于改进的类权自适应、软投票与阈值移动的Bagging集成模型,该模型在不改变原始数据集比例的情况下,从训练和决策两个阶段同时考虑处理类别不平衡问题。为了证明文中提出的方法的有效性,实验采用NASA和Eclipse软件缺陷标准数据集进行预测,并与最近几年提出的软件缺陷预测方法进行对比,实验表明,该文提出的处理软件缺陷预测中类别不平...

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

图1本文方法流程

机器学习算法可以有效地建立软件缺陷预测模型。然而相关工作存在特征冗余、分类器选择和模型解释的不足[3],对此，本文提出一种基于SDL-LightGBM集成学习的软件缺陷预测模型，方法流程如图1所示。2.1建立特征集

图3.1缺陷预测技术模型

西南大学工程硕士学位论文23第3章基于集成学习的软件缺陷预测模型的建立缺陷预测技术模型经过对缺陷预测相关技术的分析总结，本文将结合特征选择、类不平衡处理和集成学习综合建模构建软件缺陷预测模型。本文的技术模型主要分为两个阶段，分别是建立模型阶段和应用模型阶段。在建立模型阶段，首先对....

图3.3基于Stacking的模型组合

西南大学工程硕士学位论文28基于集成学习的软件缺陷预测模型3.4.1基于Stacking的缺陷预测模型集成学习模型均由基础分类算法构成，本文将逻辑回归（LG）、朴素贝叶斯（NB）、决策树（J48）和神经网络（NN）作为Stacking集成学习的基础分类器，相关算法介绍详见第2章。....

图3.4基于Bagging的模型组合

西南大学工程硕士学位论文28基于集成学习的软件缺陷预测模型3.4.1基于Stacking的缺陷预测模型集成学习模型均由基础分类算法构成，本文将逻辑回归（LG）、朴素贝叶斯（NB）、决策树（J48）和神经网络（NN）作为Stacking集成学习的基础分类器，相关算法介绍详见第2章。....

本文编号：4005365