使用Python进行技术债务的监督式机器学习：分析与预测 作者：Elif F?r?nc? 和 Mohanad Alayedi

《Machine Learning and Knowledge Extraction》：Supervised Machine Learning for Technical Debt in Python: Analysis and Prediction Elif F?r?nc? and Mohanad Alayedi

　　

摘要

技术债务（TD）的出现成为一个关键问题，在快速的现代软件开发背景下，它对软件的可维护性和质量带来了挑战。本研究重点探讨了在Python软件开发中技术债务的出现问题，采用了一种结合感知和预测方法的综合策略。研究范围内，调研了86名IT从业者和开发人员对于不同类型技术债务的反应、适应方式及其优先级的看法。根据定性研究结果，循环架构债务的根源在于测试覆盖率低、文档不足以及代码结构复杂。基于这些信息，研究团队构建了一个包含130个真实开发环境中的Python代码的数据集，这些代码具有以下特征：代码复杂性、注释与代码的比例、代码异味以及软件可维护性指标。随后，通过应用深度学习（DT）、逻辑回归（LR）、朴素贝叶斯（NB）、支持向量机（SVM）、K近邻（KNN）和随机森林（RF）等预测模型，成功检测到了技术债务。研究结果表明，利用机器学习方法可以预测技术债务的存在，其中随机森林和优化的逻辑回归模型表现最为出色。