基于机器学习的软件缺陷预测方法与工具
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 缺陷预测研究现状 | 第11-14页 |
| 1.2.1 学习算法的研究 | 第11-12页 |
| 1.2.2 预测度量元的研究 | 第12-13页 |
| 1.2.3 模型评价指标的研究 | 第13-14页 |
| 1.3 论文研究内容 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 第二章 相关工作 | 第16-27页 |
| 2.1 缺陷预测分类 | 第16-17页 |
| 2.2 缺陷预测模型 | 第17-26页 |
| 2.2.1 预测模型 | 第17-18页 |
| 2.2.2 度量元与数据集 | 第18-19页 |
| 2.2.3 常用算法 | 第19-25页 |
| 2.2.4 评价标准 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于组合机器学习的缺陷预测模型 | 第27-39页 |
| 3.1 提出问题 | 第27页 |
| 3.2 基于组合机器学习的缺陷预测模型 | 第27-32页 |
| 3.2.1 数据预处理 | 第28页 |
| 3.2.2 组合预测模型 | 第28-32页 |
| 3.2.3 模型评价 | 第32页 |
| 3.3 实验与分析 | 第32-38页 |
| 3.3.1 实验环境 | 第32页 |
| 3.3.2 实验数据 | 第32-33页 |
| 3.3.3 实验结果 | 第33-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 缺陷预测与静态分析的组合有效性研究 | 第39-46页 |
| 4.1 静态分析 | 第39-40页 |
| 4.2 提出问题 | 第40页 |
| 4.3 静态分析结果对缺陷预测的影响 | 第40-43页 |
| 4.3.1 Spearman相关系数 | 第40-42页 |
| 4.3.2 静态分析作为预测度量元 | 第42-43页 |
| 4.4 组合结果对代码审查工作量的影响 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 缺陷预测工具实现 | 第46-60页 |
| 5.1 平台设计 | 第46-48页 |
| 5.2 技术路线 | 第48-49页 |
| 5.2.1 MVC模式 | 第48页 |
| 5.2.2 DWZ_JUI框架 | 第48页 |
| 5.2.3 WEKA | 第48-49页 |
| 5.3 平台实现 | 第49-57页 |
| 5.3.1 数据库实现 | 第49-50页 |
| 5.3.2 平台实现 | 第50-57页 |
| 5.4 难点与解决方案 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 结束语 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 作者在学期间取得的学术成果 | 第67页 |
