代价敏感的Boosting软件缺陷预测方法

作者：李莉; 任振康; 石可欣

来源：计算机工程, 2022, 48(03): 175-180.

DOI：10.19678/j.issn.1000-3428.0061316

• 软件缺陷预测
• 决策树
• 机器学习
• 阈值移动方法
• Boosting方法

软件缺陷预测可以有效提高软件的可靠性，修复系统存在的漏洞。Boosting重抽样是解决软件缺陷预测样本数量不足问题的常用方法，但常规Boosting方法在处理领域类不平衡问题时效果不佳。为此，提出一种代价敏感的Boosting软件缺陷预测方法 CSBst。针对缺陷模块漏报和误报代价不同的问题，利用代价敏感的Boosting方法更新样本权重，增大产生第一类错误的样本权重，使之大于无缺陷类样本权重与第二类错误样本的权重，从而提高模块的预测率。采用阈值移动方法对多个决策树基分类器的分类结果进行集成，以解决过拟合问题。在此基础上，通过分析给出模型构建过程中权重和阈值的最优化设置。在NASA软件缺陷预测数据集上进行实验，结果表明，在小样本的情况下，与CSBKNN、CSCE方法相比，CSBst方法的BAL预测指标分别提升7%和3%，且时间复杂度降低一个数量级。

• 单位
  东北林业大学