Boosting代价敏感软件缺陷预测：一种新的方法

"基于Boosting的代价敏感软件缺陷预测方法" 本文主要探讨了一种基于Boosting的代价敏感软件缺陷预测方法，旨在解决软件开发过程中的缺陷预测问题，尤其是在小样本数据集上的应用。Boosting是一种集成学习技术，通过组合多个弱学习器形成一个强学习器，从而提高预测的准确性。 在软件缺陷预测中，传统的Boosting方法可能会遭遇“维数灾难”现象，即随着特征数量的增加，样本空间的复杂度急剧上升，导致学习效果下降。为了解决这一问题，作者提出了随机属性子集选择方法。这种方法通过选取特征子集来降低数据维度，有助于减少过拟合的风险，同时保持模型的预测能力。 此外，软件缺陷预测对漏报（未检测出的缺陷）和误报（错误标记为缺陷的正常代码）的惩罚程度不同。考虑到这一特性，作者在属性选择阶段引入了代价敏感算法。代价敏感学习关注不同错误类型的代价差异，可以调整模型以优化特定的代价函数，如降低漏报率而接受一定程度的误报率增加。 在实际应用中，该方法采用了多个基本的k-NN（K近邻）预测器作为弱学习器。k-NN是一种简单但有效的监督学习算法，通过找到最近的k个邻居来预测目标变量。通过对每个抽样集的不同数据实例赋予相应的权重，根据代价最小原则确定最优的k值和属性子集，构建了一个自适应的集成k-NN强学习器。这个学习器会根据数据实例的代价敏感权重进行更新，以优化预测性能。 实验部分，作者使用NASA数据集进行了验证。结果显示，在小样本情况下，基于Boosting的代价敏感软件缺陷预测方法能够显著降低漏报率，尽管误报率有所增加，但总体性能优于传统的Boosting集成预测方法。这表明该方法在处理软件缺陷预测时，能更好地平衡漏报和误报之间的关系，提供更优的预测效果。 关键词: 软件缺陷预测、Boosting、代价敏感、随机属性选择、集成k-NN 中图法分类号: TP311 文献标识码: A DOI: 10.11896/j.is.10.11896/j.is.201708.001 总结来说，本文提出的基于Boosting的代价敏感软件缺陷预测方法结合了降维技术、代价敏感学习和集成学习，尤其适合处理小样本数据集，能有效降低漏报率，提高软件质量保证的效率。