.png){kind=icon}
返回
Code smell detection by exploiting parameter tuning techniques for sustainable software evolution
.png){kind=icon}
PRE
AI
DOI：10.1007/s13198-025-02951-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可持续发展软件涉及有效技术，以在系统复杂性增长时保持代码质量。当前技术可能难以处理不平衡数据，或在检测不良代码特征方面不可靠。然而，据我们所知，关于该领域的研究文献表明，参数调优对机器学习模型的影响并不显著。为解决这些挑战，我们通过实验对所有可能的22种特征选择技术、14种不平衡处理方法的组合进行了研究，应用于AdaBoost分类器，并采用5种参数调优技术，利用7种性能指标对3种不良代码特征（God Class、Feature Envy、Long Method）进行评估，考虑了标准的不良代码特征数据集。共生成并评估了4620个模型，以确定哪些组合在检测上述不良代码特征方面表现最佳。具体而言，909个模型在检测Feature Envy时的准确率超过57.88%，533个模型在检测God Class时的准确率超过80.84%，而1,001个模型在检测Long Method时的准确率超过76.40%。通过优化AdaBoost分类器以适应不同的特征选择、不平衡处理和参数调优场景，我们提供了一个可复现的框架，用于改进代码质量评估并支持可持续的软件开发实践。
Keyword:
Code smells
Code smell detection
Machine learning algorithms
Parameter tuning
Software quality
Software sustainability
Software evolution
期刊
I
IF:
1.4
论文数:
370
被引数:
3.0K
机构
暂无机构信息
引用论文
Automatic detection of Long Method and God Class code smells through neural source code embeddings
OAAI
OAAI分享收藏
Reducing Subjectivity in Code Smells Detection: Experimenting with the Long Method.png)
2010 Seventh International Conference on the Quality of Information and Communications Technology
2010 Seventh International Conference on the Quality of Information and Communications TechnologyIF0
PREAI
分享收藏Comparing and experimenting machine learning techniques for code smell detection比较和实验用于代码气味检测的机器学习技术
PREAI
分享收藏Examining the Relationship of Code and Architectural Smells with Software Vulnerabilities考察代码异味与架构异味与软件漏洞的关系OAAI
OAAI分享收藏Detecting code smells using machine learning techniques: Are we there yet?2018 IEEE 25th International Conference on Software Analysis, Evolution and Reengineering (SANER)OAAI
2018 IEEE 25th International Conference on Software Analysis, Evolution and Reengineering (SANER)IF0
OAAI分享收藏
查看更多内容