实施基于切尔诺贝利灾难优化器的功能选择方法来预测软件缺陷

科学领域:

• 软件工程 软件工程 软件工程
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 软件缺陷预测 (SDP) 对于早期识别软件故障至关重要,但受到高维度的挑战.
• 在SDP模型中,现有的特征选择 (FS) 的元启发式算法受到高成本,局部最佳和缓慢的融合的影响.
• 本研究介绍了一种创新的FS技术,FSCOA,基于切尔诺贝利灾难优化器 (CDO).

研究的目的:

• 开发用于软件缺陷预测的高级功能选择技术 (FSCOA).
• 通过识别最佳特征并最大限度地减少错误来提高预测模型的准确性.
• 克服现有的元启发性特征选择方法的局限性.

主要方法:

• 拟议的FSCOA技术应用于来自PROMISE档案的12个NASA软件数据集.
• FSCOA使用决策树,K-最近邻居,天真贝叶斯和定量歧视分析分类器进行了评估.
• FSCOA的性能与现有的FS技术 (FSDE,FSPSO,FSACO,FSGA) 进行了比较,并使用弗里德曼和霍姆统计测试进行了验证.

主要成果:

• 在大多数情况下,FSCOA取得了卓越的准确性,超过了其他特征选择方法.
• 弗里德曼测试对FSCOA的排名很高,在研究的方法中平均排名为1.75.
• 霍尔姆的测试显示了显著的性能改善,p值通常低于显著性值.

结论:

• 该FSCOA程序显然优于软件缺陷预测的现有功能选择技术.
• FSCOA提供了更高的准确性,有效地处理复杂的数据集,避免局部最佳,并展现出更快的融合.
• 这些优势使FSCOA成为克服SDP当前特征选择方法挑战的强大解决方案.