《表3 MSHDP-MEAN与WPDP、HDP-MM胜负结果》

  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

《一种多源异构软件缺陷预测方法》

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

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.