《表5 同构度量AEEEM数据使用不同方法比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合多策略特征筛选的跨项目软件缺陷预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证MPFF方法的跨项目缺陷预测性能，按照表4中的分组分别对三组数据集进行一对一的跨项目缺陷预测。分别进行了异构度量（Heterogeneous）同构度量（Homogeneous）混合度量（Mixed）跨项目预测。表4为同构、异构及混合度量下预测F1值比较。表4实验主要参数说明:AdaMEC基本分类器采用随机森林算法，使用Python sklearn默认参数，弱分类器个数50，校准集35%，表4使用属性数为11的最优子集。表5为经典同构度量下跨项目缺陷预测方法F1值比较，其中TrAdaBoost预测项目，使用本研究数据预处理阶段方法所得到的数据，即多策略特征筛选与过采样方法结合进行数据预处理所得到的最优特征子集进行预测实验。表5是MPFF算法在同构度量AEEEM数据集下与多个经典跨项目预测方法进行对比的结果，其中有Burak过滤法[20]、Peters过滤法[31]、TrAdaBoost[17]以及TCA+[5]方法。