基于LASSO-LARS的软件复杂性度量属性特征选择研究

摘要：

针对软件可靠性早期预测中软件复杂性度量属性维数灾难问题,提出了一种基于最小绝对值压缩与选择方法(The Least Absolute Shrinkage and Select Operator,LASSO)和最小角回归(Least Angle Regression,LARS)算法的软件复杂性度量属性特征选择方法.该方法筛选掉一些对早期预测结果影响较小的软件复杂性度量属性,得到与早期预测关系最为密切的关键属性子集.首先分析了LASSO回归方法的特点及其在特征选择中的应用,然后对LARS算法进行了修正,使其可以解决LASSO方法所涉及的问题,得到相关的复杂性度量属性子集.最后结合学习向量量化(Learning Vector Quantization,LVQ)神经网络进行软件可靠性早期预测,并基于十折交叉方法进行实验.通过与传统特征选择方法相比较,证明所提方法可以显著提高软件可靠性早期预测精度.

关键词：软件可靠性早期预测、特征选择、LASSO回归方法、LARS算法、LVQ神经网络

所属期刊栏目：40

分类号：TP311.5(计算技术、计算机技术)

资助基金：国家863项目计划2008AA01Z404

在线出版日期：2013-12-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：169-173