《表3 MSHDP-MEAN与WPDP、HDP-MM胜负结果》
表2展示了WPDP、HDP-MM、MSHDP-MEAN、MSHDP-SUM在38个数据集上的AUC中位数.表3展示了M SHDP-M EAN与WPDP、HDP-M M的胜负结果.表4展示了M SHDP-M EAN与WPDP、HDP-M M的Cliff'sδ效应量均值.从整体上看,WPDP性能最优,MSHDP-MEAN次之,MSHDP-SUM再次,HDP-M M最次.M SHDP-M EAN的AUC中位数在25个数据集上要优于M SHDP-SUM,因此可以认为M SHDP在使用式(3)计算数据集相似度时性能最优.与HDP-MM相比,MSHDP-MEAN的AUC在38个数据集上平均有0.064的提高,优于71.26%的HDP-MM,在效应量上也有0.415(普通)的优势,因此可以认为MSHDP显著提高了异构缺陷预测的性能.与WPDP相比,MSHDP-MEAN的AUC在38个数据集上平均有0.046的差距,不及57.89%的WPDP,在效应量上也有0.275(微弱)的差距,但相较于HDP-MM已大幅缩小了与WPDP的差距.WPDP是理论上软件缺陷预测的最优方法,MSHDP-MEAN能有如此表现甚至优于34.21%的WPDP是一个完全可以接受的结果.综上所述,本文提出的M SHDP方法显著提高了异构缺陷预测的性能,缩小了与同项目缺陷预测的差距.
图表编号 | XD0045025800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 杨杰、范贵生、虞慧群 |
绘制单位 | 华东理工大学计算机科学与工程系、上海市计算机软件测评重点实验室、华东理工大学计算机科学与工程系、华东理工大学计算机科学与工程系 |
更多格式 | 高清、无水印(增值服务) |