基于Boosting的代价敏感软件缺陷预测方法

• 作者: 张德平 杨杰 燕雪峰
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 软件缺陷预测 Boosting 代价敏感 随机属性选择 集成k-NN
• 年，卷（期）: 2017,（8）
• 所属期刊栏目: 软件与数据库技术
• 页码范围: 176-180,206
• 页数: 6页
• 分类号: TP311
• 字数: 6555字
• 语种: 中文
• DOI: 10.11896/j.issn.1002-137X.2017.08.031

摘要

Boosting重抽样是常用的扩充小样本数据集的方法,首先针对抽样过程中存在的维数灾难现象,提出随机属性子集选择方法以进行降维处理;进而针对软件缺陷预测对于漏报与误报的惩罚因子不同的特点,在属性选择过程中添加代价敏感算法.以多个基本k-NN预测器为弱学习器,以代价最小为属性删除原则,得到当前抽样集的k值与属性子集的预测器集合,采用代价敏感的权重更新机制对抽样过程中的不同数据实例赋予相应权值,由所有预测器集合构成自适应的集成k-NN强学习器并建立软件缺陷预测模型.基于NASA数据集的实验结果表明,在小样本情况下,基于Boosting的代价敏感软件缺陷预测方法预测的漏报率有较大程度降低,误报率有一定程度增加,整体性能优于原来的Boosting集成预测方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨杰	南京航空航天大学计算机科学与技术学院	46	179	6.0	11.0
2	张德平	南京航空航天大学计算机科学与技术学院	36	235	9.0	13.0
3	燕雪峰	南京航空航天大学计算机科学与技术学院	34	192	7.0	12.0