不平衡集成技术在软件缺陷预测中的价值

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：The Value of Imbalance Ensemble Techniques on Software Defect Prediction

软件缺陷预测通过机器学习识别高缺陷风险模块，但数据类不平衡（正常远多于缺陷）严重影响效果。研究系统对比了38个数据集的IDRB（数据重平衡）与IEL（不平衡集成学习）方法，发现IEL在严重不平衡数据中表现更优，IDRB（如SMOTE、ROSE）在低不平衡时更具竞争力，但未确定最优IEL技术组合，建议选择高效准确的方法。

　　

摘要

软件缺陷预测（SDP）在确保软件质量方面发挥着关键作用，它通过识别容易出现缺陷或错误的高风险组件来实现这一目标。机器学习分类方法已被广泛用于缺陷预测；然而，这些方法的有效性受到训练数据中类别不平衡的显著影响，即无缺陷模块的数量远远超过有缺陷的模块。为了解决这个问题，提出了多种技术，包括数据重新平衡（IDRB）方法和不平衡集成学习（IEL）方法。虽然之前的研究已经探讨了IDRB技术，但IEL的相对有效性尚未得到充分研究。此外，目前还没有确凿的证据表明IEL在各种实验设置中的表现是否优于IDRB。本研究通过对来自不同领域的38个公开可用的缺陷预测数据集进行广泛实验，系统地评估了IEL和IDRB技术的性能。评估涵盖了九种基础学习器、五种数据重新平衡技术和六种不平衡集成方法。结果表明，IEL技术在处理高不平衡比和非常高的不平衡比的数据集时通常优于IDRB方法。此外，结合Bagging和欠采样技术的IEL在严重不平衡的情况下表现出极高的有效性。相反，对于较低的不平衡比，IDRB技术——尤其是SMOTE和ROSE——成为了有竞争力的替代方案。鉴于对于不同学习器而言，尚未确定最佳的IEL技术，建议实践者选择计算效率高且结果准确的方法。