1 论文标题：集成特征选择的代价敏感Boosting软件缺陷预测方法

2 作者信息：唐鹤龙, 李英梅：哈尔滨师范大学计算机科学与信息工程学院，黑龙江 哈尔滨

3 出处和链接：唐鹤龙, 李英梅. 集成特征选择的代价敏感Boosting软件缺陷预测方法[J]. 软件工程与应用, 2023, 12(6): 975-988. https://doi.org/10.12677/SEA.2023.126096

4 摘要：软件中潜在的缺陷会产生严重的后果，通过使用软件缺陷预测技术可以及时地检测到模块中的缺陷。然而，由于软件缺陷数据集中的类不平衡和高维度特征问题，会导致模型的预测性能下降，因此提出了一种集成特征选择的代价敏感Boosting软件缺陷预测方法(Cost-Sensitive Boosting for Feature Selection, CSBFS)。CSBFS首先采用了一种代价敏感的特征选择算法，该算法先计算每个特征对预测结果的贡献值，并根据不同错误类别的代价对贡献值进行调整，选择具有正向贡献的特征作为特征子集，解决了高维度特征的问题；接下来，将这个特征选择算法嵌入进Boosting算法中，在Boosting的每一轮迭代中，为每个基学习器选择合适的特征子集，从而增加了基学习器之间的多样性；此外，通过调整错误类别的权重，为第一类错分样本赋予更高的权重，以缓解类别不平衡问题，进一步提高了预测效果。在20个公开数据集上进行实验，以F-measure、Recall、AUC、G-mean等作为评价指标，实验结果验证了CSBFS方法的有效性。