基于ExtraTree的软件缺陷预测方法研究

软件缺陷预测技术可以识别出软件存在缺陷的模块,提高软件的质量和安全性能,降低开发成本。针对不同模型预测结果差异性较大的问题,本文对结构复杂和缺乏历史数据的静态软件缺陷模块采用了基于极度随机树的软件缺陷预测方法进行研究,使用合成少数类过采样技术对原始数据集进行基本处理;用5种单分类器模型对软件缺陷数据集分别进行预测;最后,基于极度随机树集成各弱分类器,利用集成分类器对软件缺陷模块进行预测。在NASA MDP基础数据集上进行验证实验表明,将极度随机树方法应用于软件缺陷预测,具有良好的缺陷预测性能。