面向对象软件风险预测：阈值技术的探索与优化

"沙特国王大学学报：软件类别风险预测模型的研究及优化阈值技术" 本文是发表在沙特国王大学学报上的一篇研究，主要关注软件开发中的风险预测模型和阈值技术的应用。研究者Navneet Kaur Kaur和Hardeep Singh来自印度阿姆利则Guru Nanak Dev大学计算机科学系，他们探讨了如何更有效地识别软件系统中的高风险类别，特别是在面向对象的软件开发背景下。 传统的风险预测模型通常依赖于统计和计算智能方法，但这些模型的实施较为复杂。相比之下，二值分类（二进制分类）通过阈值设定，可以简化这一过程，帮助开发人员和测试人员判断类别的风险倾向。研究中，作者评估了七种不同的阈值技术，包括优势比、Cohen's kappa、特异性和灵敏度的最大总和、一致性概率、Alves排名、可接受风险水平的值以及标准差加平均值，以找出最有效的软件度量阈值。 在这项研究中，Chidamber和Kemerer的面向对象度量套件被广泛采用作为评估基础。通过对这些阈值技术的比较，研究发现一致性概率和最大灵敏度与特异性之和表现出最佳的性能。而优势比的表现则显著低于最优方法。 软件工程领域中，基于统计和机器学习的预测模型被广泛研究，用于预测软件类别的故障风险，以便合理分配测试工作和资源。然而，实际操作中，这些模型的构建和维护成本较高。基于阈值的二值分类方法则更为简便，只需通过比较类别的度量值是否超过预设阈值，即可判断其风险状态。 这项研究的贡献在于提供了一种简化风险评估的方法，它减少了对复杂预测模型的依赖，有助于提高软件测试的效率。同时，它也为未来的软件工程实践提供了实用的指导，尤其是在确定何时进行深入测试或分配额外资源时。通过优化阈值，开发团队可以更准确地识别出可能存在问题的代码区域，从而减少软件缺陷，提高软件质量。