模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2012, Vol. 25 Issue (5): 792-802    DOI:
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于Boosting的集成k-NN软件缺陷预测方法
何亮,宋擒豹,沈钧毅
西安交通大学电子与信息工程学院西安710049
Boosting-Based k-NN Learning for Software Defect Prediction
HE Liang, SONG Qin-Bao, SHEN Jun-Yi
School of Electronic and Information Engineering,Xian Jiaotong University,Xian 710049

全文: PDF (496 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 软件缺陷预测是改善软件开发质量,提高测试效率的重要途径。文中提出一种基于软件度量元的集成k-NN软件缺陷预测方法。首先,该方法在不同的Bootstrap抽样数据集上迭代训练生成一个基本k-NN预测器集合。然后,这些基本预测器分别对软件模块进行独立预测,各基本预测值将被融合生成最终的预测结果。为判别新的软件模块是否为缺陷模块,设计分类阈值的自适应学习方法。集成预测结果大于该阈值的模块将被识别为缺陷模块,反之则为正常模块。NASA MDP及PROMISE AR标准软件缺陷数据集上的实验结果表明集成k-NN缺陷预测的性能较之广泛采用的对比缺陷预测方法有较明显的提高,同时也证明软件度量元在缺陷预测中的有效性。
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
何亮
宋擒豹
沈钧毅
关键词 软件缺陷预测k-近邻(k-NN)软件度量元集成学习    
Abstract:Timely identification of defective modules improves both software quality and testing efficiency. A software metrics-based ensemble k-NN algorithm is proposed for software defect prediction. Firstly, a set of base k-NN predictors is constructed iteratively from different bootstrap sampling datasets. Next, the base k-NN predictors estimate the software module independently and their individual outputs are combined as the composite result. Then, an adaptive threshold training approach is designed for the ensemble to classify new software modules. If the composite result is greater than the threshold value, the software module is recognized as defective, otherwise as normal. Finally, the experiments are conducted on NASA MDP and PROMISE AR datasets. Compared with a widely referenced defect prediction approach, the results show the considerable improvements of the ensemble k-NN and prove the effectiveness of software metrics in defect prediction.
Key wordsSoftware Defect Prediction    k Nearest Neighbor (k-NN)    Software Metric    Ensemble Learning   
收稿日期: 2011-05-18     
ZTFLH: TP311.5  
基金资助:国家自然科学基金资助项目(No.90718024)
作者简介: 何亮,男,1975年生,博士研究生,主要研究方向为数据挖掘、软件工程。E-mail:lhe@mail。xjtu。edu。cn。宋擒豹,男,1966年生,教授,博士生导师,主要研究方向为数据挖掘、机器学习、可信计算等。沈钧毅,男,1941年生,教授,博士生导师,主要研究方向为数据库、数据挖掘。
引用本文:   
何亮,宋擒豹,沈钧毅. 基于Boosting的集成k-NN软件缺陷预测方法[J]. 模式识别与人工智能, 2012, 25(5): 792-802. HE Liang,SONG Qin-Bao,SHEN Jun-Yi. Boosting-Based k-NN Learning for Software Defect Prediction. , 2012, 25(5): 792-802.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2012/V25/I5/792
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn