基于SDL-LightGBM集成学习的软件缺陷预测模型

2024-03-21 01:48:40谢华祥高建华黄子杰
计算机工程与设计 2024年3期
关键词:特征优化模型

谢华祥,高建华+,黄子杰

(1.上海师范大学 计算机科学与技术系,上海 200234;2.华东理工大学 计算机科学与工程系,上海 200237)

0 引 言

软件缺陷预测利用项目中已有的缺陷信息建立缺陷预测模型,并预测项目中可能出现缺陷的代码,以减少开发人员检查出错代码的时间和软件开发成本。相关研究[1]指出大型系统的维护工作占用软件开发总成本的90%。软件缺陷预测技术可以根据软件的信息提取特征,使用分类器算法建立预测模型来确定软件具体模块是否包含缺陷。

在模型的使用方面,Erturk等[2]使用SVM(support vector machine)算法对NASA数据集建立缺陷预测模型,并取得不错效果。Feidu等[3]使用多种机器学习算法和基于LM(language model)的神经网络算法建立缺陷预测模型,实验结果显示基于LM的神经网络取得最高预测精度。

上述软件缺陷预测研究大多使用单个分类器,而单个分类器存在预测准确率不高,泛化能力弱等问题,相比单个分类器,集成学习具有更好的分类准确性和效率[4]。如陈丽琼等[5]使用XGBoost集成学习算法建立即时软件缺陷预测模型。

然而针对典型Boosting算法的不足,Ke等[6]提出了LightGBM算法,大量实验结果表明LightGBM算法在性能和效率方面优于传统机器学习算法和其它集成学习算法。

在特征选择方面,实验数据特征间的多重共线性和大量无关特征会导致“维度灾难”,增加预测模型的复杂度和训练时间[7],并可能导致模型过拟合[8]。合理的特征选择可以有效地实现特征降维[9]。

相比分类器的默认超参数,不同超参数组合对应模型性能有较大不同[14],超参数优化主要有网格搜索、随机搜索以及贝叶斯优化。……

登录APP查看全文

猜你喜欢
特征优化模型
一半模型
超限高层建筑结构设计与优化思考
房地产导刊(2022年5期)2022-06-01 06:20:14
民用建筑防烟排烟设计优化探讨
关于优化消防安全告知承诺的一些思考
一道优化题的几何解法
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
当代陕西(2019年10期)2019-06-03 10:12:04
3D打印中的模型分割与打包
线性代数的应用特征
河南科技(2014年23期)2014-02-27 14:19:15