基于特征提取和代价敏感学习的软件缺陷预测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题研究目的及意义 | 第8-9页 |
| 1.2 国内外研究的情况及进展 | 第9-10页 |
| 1.3 本文主要工作概述 | 第10-11页 |
| 1.4 本文余下部分内容章节安排 | 第11-12页 |
| 第二章 相关背景知识介绍 | 第12-26页 |
| 2.1 特征提取方法 | 第12-16页 |
| 2.1.1 主成分分析方法 | 第12-13页 |
| 2.1.2 拉普拉斯特征映射方法 | 第13页 |
| 2.1.3 局部保留投影方法 | 第13-14页 |
| 2.1.4 代价敏感主成分分析方法 | 第14-15页 |
| 2.1.5 代价敏感局部保留投影方法 | 第15-16页 |
| 2.2 分类算法 | 第16-21页 |
| 2.2.1 朴素贝叶斯法 | 第16-17页 |
| 2.2.2 支持向量机算法 | 第17-18页 |
| 2.2.3 决策树算法 | 第18-19页 |
| 2.2.4 神经网络算法 | 第19-21页 |
| 2.3 集成学习方法 | 第21-25页 |
| 2.3.1 分类器融合方法 | 第23页 |
| 2.3.2 集成分类模型 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于监督学习的核拉普拉斯特征映射算法 | 第26-38页 |
| 3.1 方法动机 | 第26页 |
| 3.2 基于监督学习的核拉普拉斯特征选择算法模型 | 第26-29页 |
| 3.2.1 核空间下的距离度量 | 第26-27页 |
| 3.2.2 监督学习下的距离度量 | 第27-29页 |
| 3.3 实验分析 | 第29-37页 |
| 3.3.1 数据库介绍 | 第29-30页 |
| 3.3.2 评价指标 | 第30-31页 |
| 3.3.3 实验结果及分析 | 第31-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于代价敏感学习的神经网络算法 | 第38-45页 |
| 4.1 方法动机 | 第38页 |
| 4.2 基于代价敏感学习的神经网络算法模型 | 第38-42页 |
| 4.3 实验分析 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于代价敏感集成学习的软件缺陷预测方法 | 第45-54页 |
| 5.1 方法动机 | 第45页 |
| 5.2 基于代价敏感学习的集成算法模型 | 第45-47页 |
| 5.2.1 Adaboost算法 | 第45-46页 |
| 5.2.2 代价敏感Adaboost算法 | 第46-47页 |
| 5.3 实验分析 | 第47-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 本文工作总结 | 第54页 |
| 6.2 研究展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 致谢 | 第61页 |
