计算机工程

作者：李莉, 任振康, 石可欣

单位：东北林业大学 信息与计算机工程学院, 哈尔滨 150040

关键词：软件缺陷预测,决策树,机器学习,阈值移动方法,Boosting方法

基金：黑龙江省教育科学规划重点课题（GJB1421251）。

软件缺陷预测可以有效提高软件的可靠性，修复系统存在的漏洞。Boosting重抽样是解决软件缺陷预测样本数量不足问题的常用方法，但常规Boosting方法在处理领域类不平衡问题时效果不佳。为此，提出一种代价敏感的Boosting软件缺陷预测方法CSBst。针对缺陷模块漏报和误报代价不同的问题，利用代价敏感的Boosting方法更新样本权重，增大产生第一类错误的样本权重，使之大于无缺陷类样本权重与第二类错误样本的权重，从而提高模块的预测率。采用阈值移动方法对多个决策树基分类器的分类结果进行集成，以解决过拟合问题。在此基础上，通过分析给出模型构建过程中权重和阈值的最优化设置。在NASA软件缺陷预测数据集上进行实验，结果表明，在小样本的情况下，与CSBKNN、CSCE方法相比，CSBst方法的BAL预测指标分别提升7%和3%，且时间复杂度降低一个数量级。

来源：2022年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第3期