基于机器学习的软件缺陷预测方法研究
| 致谢 | 第3-4页 |
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 变量注释表 | 第17-18页 |
| 1 绪论 | 第18-34页 |
| 1.1 研究背景及意义 | 第18-19页 |
| 1.2 国内外研究现状 | 第19-28页 |
| 1.3 存在问题 | 第28-29页 |
| 1.4 研究内容 | 第29-32页 |
| 1.5 论文结构 | 第32-34页 |
| 2 软件缺陷预测相关基础 | 第34-46页 |
| 2.1 基本定义 | 第34-35页 |
| 2.2 软件度量元 | 第35-37页 |
| 2.3 特征选择方法 | 第37-40页 |
| 2.4 典型的预测模型 | 第40-44页 |
| 2.5 性能评价指标 | 第44-45页 |
| 2.6 本章小结 | 第45-46页 |
| 3 面向软件缺陷预测的相似性度量特征选择方法 | 第46-59页 |
| 3.1 研究背景 | 第46-47页 |
| 3.2 相似性度量 | 第47-48页 |
| 3.3 基于相似性度量的特征选择方法 | 第48-51页 |
| 3.4 实验评估 | 第51-58页 |
| 3.5 本章小结 | 第58-59页 |
| 4 分类不平衡对软件缺陷预测模型性能的影响分析 | 第59-76页 |
| 4.1 研究背景 | 第59-60页 |
| 4.2 分类不平衡影响分析方法 | 第60-64页 |
| 4.3 实证研究 | 第64-75页 |
| 4.4 本章小结 | 第75-76页 |
| 5 基于演化信息的软件缺陷预测方法 | 第76-91页 |
| 5.1 研究背景 | 第76-77页 |
| 5.2 演化度量元 | 第77-78页 |
| 5.3 演化缺陷预测 | 第78页 |
| 5.4 实验评估 | 第78-90页 |
| 5.5 本章小结 | 第90-91页 |
| 6 基于特征选择的跨项目缺陷预测方法 | 第91-104页 |
| 6.1 研究动机 | 第91页 |
| 6.2 跨项目缺陷预测方法 | 第91-93页 |
| 6.3 实证研究 | 第93-103页 |
| 6.4 本章小结 | 第103-104页 |
| 7 基于特征迁移的跨公司缺陷预测方法 | 第104-122页 |
| 7.1 研究动机 | 第104页 |
| 7.2 迁移学习 | 第104-105页 |
| 7.3 特征迁移方法 | 第105-110页 |
| 7.4 实验评估 | 第110-118页 |
| 7.5 讨论 | 第118-120页 |
| 7.6 本章小结 | 第120-122页 |
| 8 总结与展望 | 第122-125页 |
| 8.1 论文工作 | 第122-123页 |
| 8.2 研究展望 | 第123-125页 |
| 参考文献 | 第125-138页 |
| 附录 | 第138-139页 |
| 作者简历 | 第139-142页 |
| 学位论文数据集 | 第142页 |
