摘要：针对软件缺陷预测中标记样本难以获取以及分类不平衡的问题，提出一种基于半监督集成学习方法的软件缺陷预测模型（Tri_Adaboost）．一方面利用欠采样方法以及半监督学习对标记样本进行扩充，随机选取一部分无标记样本进行预标注，缓解标记样本不足的问题；另一方面，利用SMOTE方法对扩充后的标记样本进行采样，然后使用AdaBoost集成方法对标记样本集进行预测．本文在NASAMDP数据集及基于开源项目下生成的空指针引用缺陷数据集上，验证模型的有效性，较于四种基本的机器学习分类方法，Tri_Adaboost算法在F—measure和AUC上均能取得较高的值．
分类：期刊> 自然科学与工程技术> 信息科技> 电子信息科学综合
收录：北大期刊(中国人文社会科学期刊) > CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > SA 科学文摘(英) > JST 日本科学技术振兴机构数据库(日) > Pж(AJ) 文摘杂志(俄) > 哥白尼索引(波兰) > 剑桥科学文摘 > 国家图书馆馆藏 > 上海图书馆馆藏 > 文摘与引文数据库
关键词：软件缺陷预测 分类不平衡 半监督学习 adaboost
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
