论文部分内容阅读
为了提高软件缺陷预测的精度，提出了一种基于相异度量的软件缺陷预测方法。与传统方法在特征空间进行软件缺陷预测不同，本文在相异空间研究软件缺陷预测问题。首先利用单元与代表集间的相异性构建新的单元特征.然后在相异空间中建立分类器完成预测。通过代表集选择，可有效减少表示单元的特征维数，降低了完成预测的计算复杂度。在NASA数据库KC2和CM1数据集的实验表明，相异空间中，KNN、Bayes和SVM分类器的预测正确率相对于特征空间中其预测效果分别提高了1.86％-9.3996，且计算复杂度降低了18％-67％。