8、面向对象指标与机器学习的实证验证及数据管理技术探索

面向对象指标与机器学习的实证验证及数据管理技术探索

在软件开发领域，准确预测软件类的变更倾向对于提高软件质量和可维护性至关重要。同时，随着数据量的快速增长，数据管理也面临着诸多挑战。本文将围绕面向对象指标与机器学习在变更倾向预测中的应用，以及数据管理领域的相关技术展开探讨。

面向对象指标与变更倾向预测

数据统计分析

对GATE、TuxGuitar、FreeCol、KoLmafia和Legatus等软件数据集的各项指标进行了描述性统计分析，涵盖了平均、中位数、标准差、最小值、最大值和百分位数等。从这些统计数据中可以发现，NOC（子类数量）和DIT（继承树深度）的平均值非常低，这表明在这些数据集中继承机制的使用并不广泛。而LCOM（缺乏内聚度）指标值较大，意味着类在属性和变量使用方面的相互依赖性较低。

数据集	CBO均值	NOC均值	Cl. me.均值	Cl. var.均值	NIM均值	NIV均值	Loc. me.均值	RFC均值	Lo. Pri. Met.均值	Lo. Pro. Me.均值	Lo. pu. me.均值	LOC均值	DIT均值	LCOM均值	WMC均值