集成學(xué)習(xí)在軟件缺陷檢測中的運(yùn)用.pdf

1、近年來，軟件缺陷檢測成為軟件工程領(lǐng)域里的一個研究熱點(diǎn)。其主要可分類動態(tài)檢測與靜態(tài)檢測兩類。靜態(tài)檢測是使用軟件的歷史數(shù)據(jù)來建模預(yù)測軟件缺陷，其具有較高的適用性及準(zhǔn)確性，被廣泛地研究及運(yùn)用。靜態(tài)檢測的關(guān)鍵是如何充分分析軟件的歷史數(shù)據(jù)，從而建立準(zhǔn)確的二分類模型來區(qū)分有缺陷軟件與無缺陷軟件。
　　在軟件缺陷檢測中，有缺陷的軟件樣本會大大少于無缺陷的軟件樣本，這就造成了軟件缺陷的嚴(yán)重類不平衡問題，如何解決這個問題成為軟件缺陷預(yù)測的關(guān)鍵。常見

2、的方法有重采樣，代價敏感等。這里，我們使用基于下采樣的Bagging方法，每次訓(xùn)練弱分類器時，采樣得到類平衡的樣本子集。再通過多個弱分類器融合得到強(qiáng)分類器，從而提高模型的泛化能力以及分類效果。
　　集成學(xué)習(xí)的方法中，想要進(jìn)一步提高模型的分類效果，我們可以從提高單一分類器的效果，提高各個弱分類器的隨機(jī)性，尋找合適的融合方法三個方面入手。之前我們通過下采樣方法，提高了單一分類器的分類效果。在此基礎(chǔ)上，我們通過增加模型獨(dú)立性，優(yōu)化融合方

3、法等，進(jìn)一步提高模型效果。
　　在集成學(xué)習(xí)中，多個分類型之間越獨(dú)立，最終得到的結(jié)果越好。對比于基于樣本隨機(jī)的Bagging方法，基于特征子空間的特征隨機(jī)方法能夠得到更加獨(dú)立的弱分類器，從而取得更好的模型穩(wěn)定性以及分類準(zhǔn)確性。在這里，我們引入基于特征構(gòu)造的隨機(jī)特征子空間方法，進(jìn)一步提高軟件缺陷模型的分類效果。
　　通過上述方法，我們得到一系列的弱分類器。由于二分類的特殊性，一般的準(zhǔn)確率不能很好地描述二分類模型的效果。這里，我們