Box-Cox转换集成方法改进跨项目软件缺陷预测

本文主要探讨了"基于Box-Cox转换的集成跨项目软件缺陷预测方法"这一主题，针对软件开发中的一个重要挑战——跨项目缺陷预测进行了深入研究。传统的跨项目缺陷预测面临的一个问题是源项目实例选择的多样性问题，不同的实例相似度计算方法可能导致预测结果的不一致性。为解决这一问题，研究人员提出了BCEL（Box-Cox Ensemble Learning）方法。 BCEL的关键在于其集成学习策略。首先，根据三种不同的实例相似度计算方法，作者从候选项目集合中分别选择不同的训练集，这有助于捕捉不同特征下的缺陷模式。然后，对这些数据集进行针对性的Box-Cox转换，这是一种数据预处理技术，可以改善数据的正态性和线性关系，提高模型的预测准确性。接下来，针对每组转换后的数据，利用特定的分类算法构建出独立的基分类器，这些基分类器各自专注于特定的特征组合。 最后，通过集成学习的方式将三个基分类器的预测结果结合起来，以降低单一模型的不确定性，提升整体预测性能。这种方法的优势在于它能够综合多个模型的优点，提高预测的稳定性和精度。 作者们通过对实际项目数据集的实验验证了BCEL方法的有效性，并进一步深入分析了Box-Cox转换参数、实例相似度计算方法以及集成学习策略等因素对缺陷预测性能的影响。这些实证研究结果对于理解跨项目软件缺陷预测的复杂性，优化预测模型的性能，以及在软件工程实践中推广此类方法具有重要意义。 研究背景包括国家自然科学基金、南京大学计算机软件新技术国家重点实验室开放课题以及江苏省相关的大学生创新训练计划和高校科研项目的支持。本文的研究成果不仅填补了跨项目软件缺陷预测领域的理论空白，也为该领域的实践者提供了有价值的参考和改进方法。 关键词：软件缺陷预测、跨项目软件缺陷预测、集成学习、实证研究。这篇论文深入探讨了一个实际问题并提出了一种创新的方法，对于软件质量保证和项目管理具有重要的理论价值和应用价值。