计算智能和神经科学
研究文章

跨项目缺陷预测基于两阶段特征放大重要性

表2

F1-measure, AUC, MCC模型没有过滤过滤(模式1)和模型(模型2)。
F1-measure AUC 世纪挑战集团
模型1 模型2 模型1 模型2 模型1 模型2
EQ-JDT 0.415 0.790 0.632 0.873 0.232 0.735
EQ-LC 0.300 0.761 0.726 0.903 0.265 0.738
EQ-ML 0.242 0.742 0.545 0.875 0.061 0.702
EQ-PDE 0.291 0.776 0.600 0.864 0.146 0.740
JDT-EQ 0.276 0.833 0.576 0.862 0.291 0.719
JDT-LC 0.322 0.752 0.602 0.875 0.330 0.726
JDT-ML 0.283 0.745 0.584 0.883 0.229 0.707
JDT-PDE 0.247 0.761 0.569 0.866 0.233 0.721
LC-EQ 0.196 0.831 0.554 0.862 0.261 0.710
LC-JDT 0.592 0.816 0.727 0.911 0.516 0.768
LC-ML 0.347 0.765 0.626 0.855 0.243 0.732
LC-PDE 0.256 0.787 0.572 0.866 0.234 0.755
ML-EQ 0.183 0.855 0.550 0.886 0.251 0.755
ML-JDT 0.396 0.787 0.623 0.883 0.397 0.730
ML-LC 0.219 0.824 0.562 0.925 0.316 0.806
ML-PDE 0.217 0.763 0.559 0.865 0.229 0.724
PDE-EQ 0.238 0.873 0.560 0.897 0.232 0.785
PDE-JDT 0.477 0.806 0.666 0.881 0.366 0.754
PDE-LC 0.372 0.784 0.620 0.873 0.397 0.763
PDE-ML 0.292 0.754 0.594 0.853 0.178 0.718
平均 0.308 0.790 0.602 0.878 0.270 0.739
以粗体显示的值与每个实例的最佳性能结果。