TY - A2的锣,大庆盟兴,应非盟-林,希望非盟-林,胡雪岩AU -杨,本盟- Tan,周PY - 2022 DA - 2022/04/18 TI -跨项目缺陷预测基于两阶段特征重要性放大SP - 2320447六世- 2022 AB -计算智能的典型的应用程序在软件工程中,跨项目缺陷预测(CPDP)使用带安全标签的数据时从其他项目(源代码项目)为构建模型预测的缺陷在当前项目(目标项目),帮助测试人员快速定位缺陷模块。但类不同项目之间数据分布不平衡,使CPDP一个具有挑战性的话题。解决上述两个问题,我们提出一个两阶段特性重要性摘要放大(TFIA) CPDP模型可以解决这两个问题从域适应阶段和分类阶段。在域的适应阶段,项目之间数据分布的差异减少过滤源和目标项目,和correlation-based特征选择与贪婪的最佳优先搜索放大功能的重要性,并有很强的feature-class相关性。在分类阶段,是随机森林分类器进一步放大特性高度相关的重要性和建立模型高度相关的敏感特性。我们进行了烧蚀实验和对比实验广泛使用AEEEM数据库。实验结果表明,TFIA可以在CPDP产量显著提高。和性能的TFIA CPDP模型实验是稳定的和高效的,它奠定了坚实的基础为其进一步在实际工程中的应用。SN - 1687 - 5265 UR - https://doi.org/10.1155/2022/2320447 - 10.1155 / 2022/2320447摩根富林明计算智力和神经科学PB - Hindawi KW - ER