10.3969/j.issn.1673-629X.2021.12.004
基于改进SMOTE的半监督极限学习机缺陷预测
软件缺陷预测研究中,研究人员通常使用有标记的数据进行预测模型的构建.但是在实际应用中往往会存在有标记样本不足的情况,为了应对这种状况,专家学者引入了半监督学习.尽管近年来不断有学者提出项目内的半监督缺陷预测方法,这些方法的预测准确度还有很大的提升空间.该文提出了一种新的半监督极限学习机软件缺陷预测方法,即基于改进SMOTE的半监督极限学习机方法.首先提出了一个改进的SMOTE采样方法来缓解类不平衡问题,其次使用了栈式去噪自动编码器来保留和获得更好的特征表示,最后为了提高模型的学习速率,获得更好的泛化性能,引入了极限学习机.通过在NASA和AEEEM数据集上的大量实验,结果表明该方法与基线方法相比获得了更好的预测性能.
软件缺陷预测;半监督学习;极限学习机;机器学习;栈式自编码器
31
TP31(计算技术、计算机技术)
广东省自然科学基金;广东省教育厅创新集团;广东省教育厅创新集团;湖北省自然科学基金重点项目
2022-01-10(万方平台首次上网日期,不代表论文的发表时间)
共5页
21-25