基于多核集成学习的支持向量机在软件开发早期中的缺陷预测
软件缺陷预测技术极大的提升了软件质量控制的效率,目前缺陷预测技术的基础是软件度量和分类器.支持向量机(SVM)是一种分类准确率高、所需训练样本较少的分类器.由于SVM受核函数限制,训练数据的分布和整个数据集的分布与核函数匹配程度对SVM分类准确率有巨大影响.通过集成学习对多种核函数进行组合,能够使SVM适用于各类数据集、适应各种训练数据.在本文的实验中,针对提出的方法和其他6种分类器进行对比,实验所采用的数据集为PROMISE-NASA和MIS.结果表明,在低软件测试成本的情况下,本文所提出的方法不仅具有更高的预测准确率和更高的预测准确率下限,而且不同训练数据分布所存在的差异不会影响本文所提出方法的分类准确率,即本文方法更适用于软件测试过程经费不足的情况以及缩减软件测试费用的情况.
软件开发 缺陷预测 集成学习 支持向量机 分类准确率
张浥楠 郭平
北京理工大学计算机学院,北京市中国100081;天津科技大学计算机科学与信息工程学院,天津市中国300222 北京理工大学计算机学院,北京市中国100081
国内会议
武汉
中文
467-472
2014-07-19（万方平台首次上网日期，不代表论文的发表时间）