基于混合采样与Random_Stacking的软件缺陷预测

现有的软件缺陷预测方法面临数据类别不平衡性、高维数据处理等问题。如何有效解决上述问题已成为目前相关领域的研究热点。针对软件缺陷预测所面临的类别不平衡、预测精度低等问题,本文提出一种基于混合采样与Random_Stacking的软件缺陷预测算法DP_HSRS。DP_HSRS算法首先采用混合采样算法对不平衡数据进行平衡化处理;然后在该平衡数据集上采用Random_Stacking算法进行软件缺陷预测。Random_Stacking算法是对传统Stacking算法的一种有效改进,它通过融合多个经典的分类算法以及Bagging机制构建多个Stacking分类器,对多个Stacking分类器进行投票,得到一个集成分类器,最后利用该集成分类器对软件缺陷进行预测。通过在NASA MDP数据集上的实验结果表明,DP_HSRS算法的性能优于现有的算法,具有更好的缺陷预测性能。

基于过采样融合集成学习的研究生培养质量评估方法研究

针对研究生培养质量评估中存在的主观性强、数据类别不平衡问题,文章提出一种基于过采样与集成学习的研究生培养质量预测算法(K-means SMOTE Random_Stacking,KSRS)。首先,通过K-means SMOTE算法调整数据集样本分布,使其各类别平衡;其次,基于平衡数据集采用Random_Stacking算法构建研究生培养质量预测模型;最后,利用模型对研究生培养质量进行预测。根据真实的研究生培养数据验证所提模型的有效性。结果表明:对比其他分类算法,KSRS算法在指标召回率、F1值、精确率上均有较大提升,为研究生培养质量评估提供一种科学有效的方法参考。