Resumen

La predicción de defectos de software justo a tiempo (JIT-SDP) es un tema activo en la predicción de defectos de software, que tiene como objetivo identificar cambios inductores de defectos. Recientemente, algunos estudios han encontrado que la variabilidad de los conjuntos de datos de defectos puede afectar el rendimiento de los predictores de defectos. Al utilizar modelos locales, se puede ayudar a mejorar el rendimiento de los modelos de predicción. Sin embargo, estudios previos se han centrado en la predicción de defectos a nivel de módulo. Si los modelos locales siguen siendo válidos en el contexto de JIT-SDP es una cuestión importante. Con este fin, comparamos el rendimiento de modelos locales y globales a través de un estudio empírico a gran escala basado en seis proyectos de código abierto con 227417 cambios. El experimento considera tres escenarios de evaluación de validación cruzada, validación cruzada de proyectos y validación cruzada en el tiempo. Para construir modelos locales, el experimento utiliza los -medoids para dividir el conjunto de entrenamiento en varias

• Materias:Sensores Seguridad informática Rendimiento del hardware Matriz
• Subjects:sensors Computer security Hardware performance Matrix
• Palabras claves:Predicción de defectos de software; JIT-SDP; Modelos locales; Modelos globales; Rendimiento de clasificación; Rendimiento de predicción consciente del esfuerzo
• Keywords:Software defect prediction; JIT-SDP; Local models; Global models; Classification performance; Effort-aware prediction performance