返回
BPDET: An effective software bug prediction model using deep representation and ensemble learning techniques
DOI:10.1016/j.eswa.2019.113085.png)
摘要
En 中文
在软件故障预测系统中,存在许多检测故障模块的障碍,例如缺失值或样本,数据冗余,不相关特征和相关性。许多研究人员建立了软件错误预测 (SBP) 模型,该模型对与软件度量相关的故障模块和非故障模块进行分类。到目前为止,解决SBP中阶级不平衡问题的工作很少。本文的主要目的是通过特征选择和机器学习方法来检测有缺陷和无缺陷的软件模块,从而揭示出良好的结果。我们提出了一种基于深度表示和集成学习 (BPDET) 技术用于SBP的基于基本分类的框架错误预测。它通过集成学习 (EL) 和深度表示 (DR) 组合应用。用于SBP的软件度量大多是常规的。Staked去噪自动编码器 (SDA) 用于软件度量的深度表示,这是一种鲁棒的特征学习方法。提出的模型主要分为两个阶段: 深度学习阶段和两层EL阶段 (TEL)。在模型的第一步中从SDA提取特征,然后在第二阶段中应用TEL。TEL还在处理阶级不平衡问题。实验主要进行了NASA (12) 数据集,以揭示DR、SDA和TEL的效率。根据Mathew相关系数 (MCC),曲线下面积 (AUC),精确召回面积 (PRC),f值和时间来分析性能。在11个数据集的12个数据集MCC值中,6个数据集的ROC值,12个数据集的PRC值和8个数据集的f-measure超过了现有技术的错误预测方法。我们使用Wilcoxon秩和检验对BPDET进行了测试,该检验拒绝了alpha = 0.025时的零假设。我们还通过5、8、10、12和15倍交叉验证测试了模型的稳定性,并得到了相似的结果。最后,我们得出结论,与EL和另一种最先进的技术相比,BPDET在大多数数据集上是稳定且表现出色的。(C)2019 Elsevier Ltd.版权所有。
Keyword:
Software bug prediction
Classification technique
Software metrics
Deep representation
Boosting
Staked denoising auto-encoder
Heterogeneous Ensemble learning technique
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Liver paraoxonase 3 expression and the effect of liraglutide treatment in a rat model of diabetes糖尿病大鼠肝脏对氧磷酶3的表达及利拉鲁肽对其的影响
Redes sociales y estudiantes: motivos de uso y gratificaciones. Evidencias para el aprendizaje社会和研究: 动机和满足。Evidencias para el aprendizaje
Aula Abierta
IF0
A fuzzy logic based approach for phase-wise software defects prediction using software metrics基于模糊逻辑的基于软件度量的阶段软件缺陷预测方法
SBA-15:TiO2 nanocomposites: II. Direct and post-synthesis using acetylacetoneSBA-15:TiO2纳米复合材料: II。使用乙酰丙酮的直接和后合成
The Influence of ESG Management on Financial Performance : The Mediation Effect of Customer SatisfactionESG管理对财务绩效的影响: 顾客满意度的中介效应

