基于特征提取和Stacking集成学习的软件缺陷预测OA北大核心
针对缺陷数据的相关性较高以及单一的分类算法存在泛化性不高的问题,提出一种软件缺陷预测模型KSSDP(KPCA Stacking Software Defect Prediction)。采用核主成分分析(KPCA)对缺陷数据集进行特征提取,使用混合采样SMOTEENN方法解决缺陷数据集的类不平衡问题,使用K-Means算法对缺陷数据集进行聚类以剔除异常值,使用Stacking集成学习构建KSSDP集成预测模型并进行仿真实验,结果表明该模型比基模型、主流集成模型和深度学习模型的性能更好。
崔梦天;吴克奇;Mariani M S
西南民族大学计算机科学与工程学院,四川成都610041西南民族大学计算机科学与工程学院,四川成都610041苏黎世大学信息系,瑞士苏黎世8050
计算机与自动化
核主成分分析特征提取KSSDP模型集成学习软件缺陷预测
《计算机应用与软件》 2025 (1)
P.25-29,48,6
国家自然科学基金项目(12050410248)四川省科技计划项目(2021YFH0120,25GJHZ0156,2023YFN0026)人力资源和社会保障部国家外国专家项目(H20240672)。
评论