文件名称：论文研究-SBFS：基于搜索的软件缺陷预测特征选择框架.pdf
文件大小：1.21MB
文件格式：PDF
更新时间：2022-08-11 16:21:15
软件缺陷预测,特征选择,基于搜索的软件工程,类不平衡学习
在搜集缺陷预测数据集的时候，由于考虑了大量与代码复杂度或开发过程相关的度量元，造成数据集内存在维数灾难的问题。借助基于搜索的软件工程思想，提出一种新颖的基于搜索的包裹式特征选择框架SBFS。该框架在实现时，首先借助SMOTE方法来缓解数据集内存在的类不平衡问题，随后借助基于遗传算法的特征选择方法，基于训练集选出最优特征子集。在实证研究中，以NASA数据集作为评测对象，以基于前向选择策略的包裹式特征选择方法FW、基于后向选择策略的包裹式特征选择方法BW、不进行特征选择的方法Origin作为基准方法。最终实证研究结果表明：SBFS方法在90%的情况下，不差于Origin法；在82.3%的情况下，不差于BW法；在69.3%的情况下，不差于FW法。除此之外，若基于决策树分类器，则应用SMOTE方法后，可以在71%的情况下提高模型性能；而基于朴素贝叶斯和Logistic回归分类器，则应用SMOTE方法后，仅可以在47%和43%的情况下提高模型的预测性能。