一種基于人工免疫樸素貝葉斯方法的軟件缺陷預測模型.pdf

1、軟件缺陷檢測是軟件工程領(lǐng)域的重要議題，能夠在軟件產(chǎn)品上線前預測其是否具有缺陷，能夠在提升軟件產(chǎn)品的質(zhì)量和減少維護成本方面起到作用。近年來，多種機器學習方法已經(jīng)被應用到軟件缺陷預測工作中。其中樸素貝葉斯（Naive Bayes，NB）方法根據(jù)古典數(shù)學理論，利用統(tǒng)計學原理根據(jù)先驗概率對樣本進行預測，取得了較好的效果。然而，樸素貝葉斯方法所依賴的獨立性假設(shè)條件往往在實際應用中難以達到，這樣預測模型的分類性能勢必受到影響。因此特征選擇和特征加權(quán)

2、對軟件缺陷預測尤為重要。另外，由于軟件缺陷領(lǐng)域存在的類不平衡問題，不能同時將這三個方面考慮到算法實現(xiàn)中，將難以達到應有的效果。本文的創(chuàng)新點如下：
　　(1)首先，本文在現(xiàn)有樸素貝葉斯方法的基礎(chǔ)上，提出一種結(jié)合人工免疫系統(tǒng)的特征加權(quán)方法（Artificial Immune basedNaive Bayes, AINB），通過人體的免疫原理來為不同的特征賦予相應的權(quán)值，從而提高樸素貝葉斯的分類性能。
　　(2)其次，考慮到不同類

3、型的軟件產(chǎn)品所依賴的特征集合和特征之間的依賴關(guān)系也不同，為了在訓練分類器時考慮到特征之間的依賴性和去除冗余特征，本文借鑒序列后向選擇（Sequential Backward Selection，SBS）原理，提出了一種結(jié)合遞歸特征消除（Recursive Feature Elimination，RFE）方法的基于人工免疫的特征消除樸素貝葉斯方法（Artificial Immune based Naive Bayes with Recur

4、sive FeatureElimination,AINB-RFE），通過每次去掉一個權(quán)值最小的特征來獲得特征的重要性排序，并通過重要性排序表來獲得最優(yōu)的特征子集。
　　(3)最后，本文亦將軟件缺陷樣本的不平衡性考慮其中。本文提出了一種結(jié)合特征選擇的半監(jiān)督人工免疫樸素貝葉斯方法（Semi-supervised of Artificial Immune based Naive Bayes with Recursive Feature