一種基于人工免疫樸素貝葉斯方法的軟件缺陷預測模型.pdf

1、軟件缺陷檢測是軟件工程領域的重要議題，能夠在軟件產品上線前預測其是否具有缺陷，能夠在提升軟件產品的質量和減少維護成本方面起到作用。近年來，多種機器學習方法已經被應用到軟件缺陷預測工作中。其中樸素貝葉斯（Naive Bayes，NB）方法根據(jù)古典數(shù)學理論，利用統(tǒng)計學原理根據(jù)先驗概率對樣本進行預測，取得了較好的效果。然而，樸素貝葉斯方法所依賴的獨立性假設條件往往在實際應用中難以達到，這樣預測模型的分類性能勢必受到影響。因此特征選擇和特征加權

2、對軟件缺陷預測尤為重要。另外，由于軟件缺陷領域存在的類不平衡問題，不能同時將這三個方面考慮到算法實現(xiàn)中，將難以達到應有的效果。本文的創(chuàng)新點如下：
　　(1)首先，本文在現(xiàn)有樸素貝葉斯方法的基礎上，提出一種結合人工免疫系統(tǒng)的特征加權方法（Artificial Immune basedNaive Bayes, AINB），通過人體的免疫原理來為不同的特征賦予相應的權值，從而提高樸素貝葉斯的分類性能。
　　(2)其次，考慮到不同類

3、型的軟件產品所依賴的特征集合和特征之間的依賴關系也不同，為了在訓練分類器時考慮到特征之間的依賴性和去除冗余特征，本文借鑒序列后向選擇（Sequential Backward Selection，SBS）原理，提出了一種結合遞歸特征消除（Recursive Feature Elimination，RFE）方法的基于人工免疫的特征消除樸素貝葉斯方法（Artificial Immune based Naive Bayes with Recur

4、sive FeatureElimination,AINB-RFE），通過每次去掉一個權值最小的特征來獲得特征的重要性排序，并通過重要性排序表來獲得最優(yōu)的特征子集。
　　(3)最后，本文亦將軟件缺陷樣本的不平衡性考慮其中。本文提出了一種結合特征選擇的半監(jiān)督人工免疫樸素貝葉斯方法（Semi-supervised of Artificial Immune based Naive Bayes with Recursive Feature