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3

F1-measure, AUC, MCC模型与不同的分类,包括朴素贝叶斯(NB),逻辑回归(LR),决策树(DT),支持向量分类(SVC)和随机森林(RF)。
F1-measure AUC 世纪挑战集团
LR DT 注 SVC 射频 LR DT 注 SVC 射频 LR DT 注 SVC 射频
EQ-JDT 0.594 0.729 0.560 0.571 0.790 0.758 0.852 0.713 0.727 0.873 0.479 0.655 0.467 0.465 0.735
EQ-LC 0.435 0.619 0.404 0.224 0.761 0.675 0.889 0.654 0.575 0.903 0.387 0.601 0.361 0.136 0.738
EQ-ML 0.375 0.672 0.333 0.376 0.742 0.647 0.866 0.611 0.637 0.875 0.271 0.627 0.253 0.288 0.702
EQ-PDE 0.379 0.660 0.361 0.386 0.776 0.664 0.851 0.621 0.667 0.864 0.259 0.607 0.283 0.269 0.740
JDT-EQ 0.595 0.829 0.492 0.459 0.833 0.680 0.857 0.644 0.632 0.862 0.379 0.727 0.358 0.347 0.719
JDT-LC 0.362 0.573 0.373 0.337 0.752 0.694 0.837 0.672 0.687 0.875 0.293 0.539 0.303 0.266 0.726
JDT-ML 0.376 0.637 0.361 0.418 0.745 0.644 0.854 0.632 0.679 0.883 0.276 0.589 0.265 0.320 0.707
JDT-PDE 0.373 0.651 0.356 0.381 0.761 0.668 0.841 0.619 0.679 0.866 0.253 0.595 0.279 0.265 0.721
LC-EQ 0.672 0.806 0.578 0.729 0.831 0.727 0.839 0.678 0.773 0.862 0.453 0.665 0.389 0.542 0.710
LC-JDT 0.575 0.721 0.585 0.525 0.816 0.755 0.860 0.743 0.730 0.911 0.451 0.648 0.473 0.384 0.768
LC-ML 0.393 0.655 0.350 0.406 0.765 0.647 0.843 0.620 0.659 0.855 0.307 0.604 0.272 0.314 0.732
LC-PDE 0.394 0.660 0.367 0.378 0.787 0.675 0.843 0.628 0.665 0.866 0.279 0.605 0.278 0.258 0.755
ML-EQ 0.696 0.826 0.560 0.632 0.855 0.730 0.857 0.674 0.687 0.886 0.455 0.703 0.397 0.369 0.755
ML-JDT 0.567 0.725 0.580 0.539 0.787 0.748 0.855 0.728 0.742 0.883 0.440 0.650 0.483 0.404 0.730
ML-LC 0.343 0.597 0.422 0.338 0.824 0.686 0.889 0.681 0.656 0.925 0.273 0.583 0.363 0.261 0.806
ML-PDE 0.401 0.653 0.381 0.395 0.763 0.684 0.837 0.635 0.680 0.865 0.288 0.597 0.295 0.281 0.724
PDE-EQ 0.640 0.791 0.497 0.525 0.873 0.704 0.826 0.645 0.638 0.897 0.410 0.643 0.357 0.299 0.785
PDE-JDT 0.585 0.701 0.602 0.521 0.806 0.746 0.834 0.752 0.733 0.881 0.470 0.619 0.495 0.382 0.754
PDE-LC 0.382 0.584 0.438 0.362 0.784 0.702 0.857 0.690 0.639 0.873 0.315 0.557 0.380 0.306 0.763
PDE-ML 0.385 0.629 0.312 0.406 0.754 0.646 0.831 0.600 0.666 0.853 0.291 0.573 0.232 0.308 0.718
平均 0.476 0.686 0.446 0.445 0.790 0.694 0.851 0.662 0.678 0.878 0.351 0.619 0.349 0.323 0.739
以粗体显示的数据分类的绩效在每组实验中最好的。