12、提高软件缺陷预测的准确性：数据集和方法论

提高软件缺陷预测的准确性：数据集和方法论

1 引言

软件缺陷预测是软件工程领域的重要任务之一，旨在提前发现软件中的潜在问题，从而减少后期修复的成本和风险。然而，由于数据集的类别不平衡问题，传统机器学习模型在处理少数类（有缺陷的模块）时往往表现不佳。本文探讨了如何通过一系列数据处理、特征选择和机器学习算法来提高软件缺陷预测的准确性，特别是在类别不平衡的数据集上。

2 数据集描述

为了验证模型的有效性，我们使用了来自PROMISE库的五个软件缺陷预测数据集，分别是CM1、JM1、KC1、KC2和PC1。这些数据集的特点是类别不平衡，即少数类（有缺陷的模块）实例较少，而多数类（无缺陷的模块）实例较多。表1展示了这些数据集的基本信息。

数据集	#属性	#行	缺陷百分比 (%)	非缺陷百分比 (%)
CM1	22	498	9.83	90.16
JM1	22	10,885	19.34	80.65
PC1	22	1109