基于遷移學(xué)習(xí)的跨項(xiàng)目軟件缺陷預(yù)測(cè).pdf

1、缺陷預(yù)測(cè)技術(shù)被廣泛運(yùn)用于軟件開(kāi)發(fā)過(guò)程提前發(fā)現(xiàn)與鎖定軟件缺陷，但是由于數(shù)據(jù)集的缺乏使得項(xiàng)目初期的缺陷預(yù)測(cè)遇到冷啟動(dòng)的問(wèn)題，無(wú)法構(gòu)建一個(gè)有效的預(yù)測(cè)模型。一種可能的解決方法是使用其他項(xiàng)目數(shù)據(jù)建立預(yù)測(cè)模型，預(yù)測(cè)目標(biāo)項(xiàng)目的軟件缺陷?？珥?xiàng)目軟件缺陷預(yù)測(cè)不僅有利于解決項(xiàng)目初期缺乏數(shù)據(jù)集的問(wèn)題，而且能減少創(chuàng)建和提取特征所花費(fèi)的時(shí)間與代價(jià)，并能從各類(lèi)相似項(xiàng)目中獲得目標(biāo)項(xiàng)目所忽視的特征信息。然而，跨項(xiàng)目缺陷預(yù)測(cè)技術(shù)仍然處于初期，項(xiàng)目差異性是導(dǎo)致其預(yù)測(cè)準(zhǔn)確率

2、降低的重要原因。本文從項(xiàng)目差異性問(wèn)題出發(fā)，基于遷移學(xué)習(xí)，從數(shù)據(jù)集優(yōu)化、特征選擇、預(yù)測(cè)算法等角度，研究提出了跨項(xiàng)目缺陷預(yù)測(cè)統(tǒng)一框架和兩種較高精度的跨項(xiàng)目缺陷預(yù)測(cè)方法。
　　本文首先提出一個(gè)跨項(xiàng)目缺陷預(yù)測(cè)總體框架?？蚣芤阅繕?biāo)項(xiàng)目數(shù)據(jù)樣本和其他項(xiàng)目數(shù)據(jù)集為基礎(chǔ)，通過(guò)遷移學(xué)習(xí)，進(jìn)行跨項(xiàng)目缺陷預(yù)測(cè)建模，構(gòu)建預(yù)測(cè)模型，并最終對(duì)目標(biāo)項(xiàng)目進(jìn)行有效的缺陷預(yù)測(cè)。接著，本文分別采用特征遷移和實(shí)例遷移技術(shù)，提出了兩種基于遷移學(xué)習(xí)的跨項(xiàng)目缺陷預(yù)測(cè)建模的方法

3、。
　　方法1為基于特征遷移的跨項(xiàng)目缺陷預(yù)測(cè)方案評(píng)估與模型訓(xùn)練（TrSchemaEval），它基于部分目標(biāo)數(shù)據(jù)集樣本篩選和遷移其他項(xiàng)目訓(xùn)練集；逐一檢驗(yàn)不同的預(yù)測(cè)方案，選擇最佳的特征選擇算法和預(yù)測(cè)算法；基于篩選遷移的訓(xùn)練集和評(píng)估得出的預(yù)測(cè)方案，訓(xùn)練并建立跨項(xiàng)目缺陷預(yù)測(cè)模型。
　　方法2為基于實(shí)例遷移的跨項(xiàng)目缺陷預(yù)測(cè)模型訓(xùn)練，在現(xiàn)有TrAdaBoost算法基礎(chǔ)上，本文進(jìn)行了多源適應(yīng)性改進(jìn)，提出了兩種預(yù)測(cè)模型訓(xùn)練算法――Merge

4、TrAdaBoost和MultiTrAdaBoost。其中，MergeTrAdaBoost引入篩選概念，減少無(wú)關(guān)聯(lián)數(shù)據(jù)量，并提高訓(xùn)練的效率；MultiTrAdaBoost利用多次迭代，訓(xùn)練自適應(yīng)單源單目標(biāo)模型并整合成一個(gè)強(qiáng)分類(lèi)模型。
　　最后，為了驗(yàn)證基于遷移學(xué)習(xí)的跨項(xiàng)目軟件缺陷預(yù)測(cè)框架和方法的有效性，本文進(jìn)行了一系列實(shí)驗(yàn)。實(shí)驗(yàn)一，將 TrSchemaEval方法與項(xiàng)目?jī)?nèi)缺陷預(yù)測(cè)進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明 TrSchemaEval方法