缺陷数据的相似性度量方法改进

模糊聚类分析主要研究样本的分类问题.本文利用模糊聚类方法对软件缺陷进行分类,引入缺陷数据属性权重计算方法,依据数据挖掘中的属性邻近性度量方法,对缺陷数据进行相似度分析.并按照属性类别进行分析,不仅体现了缺陷数据属性间的形贴近程度,而且体现了属性之间的距离贴近程度.本文方法对软件缺陷数据进行分析并对比度量结果,实验结果充分说明改进后的模糊聚类相似性度量方法在分类准确性方面有一定程度的提高.

基于支持向量回归的软件缺陷密度预测模型

针对软件缺陷密度的预测问题,构建了一种基于支持向量回归(Support Vector Regression,SVR)的软件缺陷密度预测模型,指出影响回归预测精度的主要因素。首先,对软件度量元数据进行提取,利用归一化和随机序列的方法对缺陷数据进行预处理,并将数据分成训练集和测试集进行回归预测;然后,引入网格搜索的方法对支持向量回归模型中的参数进行优化,大大提高了预测的精度;最后,通过实验对比其他5种机器学习算法,验证了预测模型的有效性。