52、软件缺陷严重程度预测与情感多模态内容情感分析综述

软件缺陷严重程度预测与情感多模态内容情感分析综述

1. 软件缺陷严重程度预测

在软件开发过程中，准确预测封闭源软件缺陷报告的严重程度对于提高软件质量和按时交付至关重要。研究人员尝试使用不同的集成方法，如Bagging、Voting、Adaboost和随机森林，来预测封闭源数据集的缺陷报告严重程度。

1.1 集成分类器的准确性

使用信息增益加权的集成分类器在不同的Pits数据集上表现出不同的准确性，具体数据如下表所示：
| 集成方法 | PitsA | PitsB | PitsC | PitsD | PitsE | PitsF |
| — | — | — | — | — | — | — |
| Bagging | 74.07 | 80.72 | 89.80 | 96.20 | 69.21 | 72.86 |
| Random forest | 58.09 | 54.38 | 79.85 | 93.42 | 63.76 | 64.64 |
| Voting | 71.27 | 80.35 | 89.79 | 95.64 | 72.36 | 75.70 |
| Adaboost | 61.01 | 72.20 | 84.22 | 92.87 | 47.39 | 64.10 |

从表格数据可以看出，Bagging方法在多个数据集上表现出较好的准确性。

1.2 降维技术比较

还比较了两种降维技术，即卡方统计量和信息增益。通过图形表示（图1和图2分别使用卡方统计量和信息增益进行准确性比较）可以发现，Bagging在其他集成方法中表现出较好的准确性。在不同的降维技术下