Resumen

Los estudios de predicción de defectos de software generalmente construyen modelos sin analizar los datos utilizados en el procedimiento. Como resultado, el mismo enfoque tiene diferentes rendimientos en diferentes conjuntos de datos. En este documento, presentamos un análisis de discriminación para proporcionar un buen método para dar una visión de la propiedad inherente de los datos de software. Basándonos en el análisis, encontramos que los conjuntos de datos utilizados en este campo tienen problemas de separabilidad no lineal y desequilibrio de clases. A diferencia de los trabajos anteriores, intentamos explotar el método del núcleo para mapear no linealmente los datos en un espacio de características de alta dimensión. Al abordar estos dos problemas, proponemos un algoritmo basado en análisis de discriminación de núcleo llamado KDC para construir un modelo de predicción más efectivo. Los resultados experimentales en los conjuntos de datos de diferentes organizaciones indican que KDC es más preciso en términos de -medida que los métodos de vanguardia. Somos optimistas de que nuestro método

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Predicción de defectos de software; Análisis de discriminación; Conjuntos de datos; Método de kernel; Espacio de características de alta dimensionalidad; Modelo de predicción
• Keywords:Software defect prediction; Discrimination analysis; Data sets; Kernel method; High-dimensional feature space; Prediction model