TY -的A2 Briola Daniela AU -郑尚盟——时至今日,金晶AU - Yu,华龙盟——邹,海涛盟——高商PY - 2020 DA - 2020/11/19 TI -软件缺陷预测基于模糊加权极端学习机相对密度信息SP - 8852705六世- 2020 AB -识别软件模块,更有可能是有缺陷的,机器学习已经被用于构建软件缺陷预测(SDP)模型。然而,一些以前作品发现软件缺陷数据的不平衡性质可以减少模型的性能。在这篇文章中,我们讨论了如何提高数据分布不平衡问题的上下文中SDP,有益的软件缺陷预测,目的是找到更好的方法。首先,介绍了相对密度反映的意义每个实例在其类,哪些是无关紧要的数据在特征空间分布的规模;因此,它可以比绝对更健壮的距离信息。其次,一个 K-nearest-neighbors-based概率密度估计(KNN-PDE)相似的策略是利用计算每个训练实例的相对密度。此外,样本设计基于模糊会员的相对密度,以消除来自噪声和离群值样本分类错误。最后,提出了两种算法训练软件缺陷预测模型基于加权极端的学习机器。本文将提出的算法与传统的SDP方法在基准数据集上。它证明了提出的方法有更好的整体性能的措施,包括 G意思是,AUC,平衡。提出的算法具有更强的鲁棒性和自适应SDP数据分布类型,可以更准确地估计每个实例的意义和分配相同的全模糊系数为两个不同的类不考虑数据规模的影响。SN - 1058 - 9244 UR - https://doi.org/10.1155/2020/8852705 - 10.1155 / 2020/8852705摩根富林明科学编程PB - Hindawi KW - ER