DA-SVM提升软件缺陷预测精度：降噪编码器与支持向量机结合

本文主要探讨了在软件缺陷预测领域的一个关键挑战，即如何更准确地捕捉和利用特征之间的非线性依赖关系来提升预测精度。传统的特征提取方法往往无法有效处理这种复杂的关系，从而限制了软件缺陷预测模型的性能。 作者们针对这一问题，提出了基于降噪编码器和支持向量机（DA-SVM）的软件缺陷预测模型。降噪编码器作为一种深度学习工具，其核心功能是通过学习数据的潜在表示来减少噪声和冗余信息，从而增强特征的表示能力和区分度。它在输入数据中寻找潜在的结构，即使在含有噪声的情况下也能提取出重要的特征表示。 DA-SVM模型的工作流程包括三个步骤：首先，使用降噪编码器对原始数据进行特征提取，这一步旨在消除或削弱历史数据中的噪声，使得提取的特征更加纯净；其次，提取后的特征被用作支持向量机（SVM）的输入，SVM作为一种强大的二分类算法，能够处理非线性问题，并找到最优的决策边界，使得模型能更好地识别软件缺陷的模式；最后，通过SVM进行软件缺陷的预测，通过训练和验证过程，DA-SVM模型能够预测新软件项目中可能出现的缺陷。 实验结果显示，DA-SVM模型相较于传统方法显著提高了软件缺陷的预测准确度，证明了其在处理非线性依赖关系和噪声方面的优势。此外，模型的鲁棒性也得到了增强，意味着它在面对不同类型的数据和噪声时仍能保持稳定的预测性能。本文的研究为软件缺陷预测技术提供了一种新颖且有效的改进方法，对于提升软件开发过程中的质量和效率具有实际应用价值。