对《HYDRA：Massively Compositional Model for Cross-Project Defect Prediction》的复现-GA phase

最新推荐文章于 2024-09-10 18:37:45 发布

whu_谢宇

最新推荐文章于 2024-09-10 18:37:45 发布

阅读量809

点赞数 2

分类专栏：软件缺陷预测文章标签： GA算法轮盘赌软件缺陷预测机器学习 HYDRA

本文链接：https://blog.csdn.net/ylxieyu/article/details/81633942

版权

本文复现了《HYDRA》论文中GA阶段，利用遗传算法训练N+1个底层逻辑回归分类器。通过轮盘赌选择、单点交叉和随机变异操作优化权值和阈值。最后，讨论如何应用这些分类器进行软件缺陷预测。

摘要由CSDN通过智能技术生成

论文《HYDRA：Massively Compositional Model for Cross-Project Defect Prediction》（以下简称论文），发表于2016的TSE。其模型算法主要分为两个阶段（GA phase & EL phase），本篇主要讲GA phase的复现。

GA phase：对源数据集 $S=\left[S_1,S_2,...,S_N\right]$ 以及目标数据集T，训练 $N$ 个底层分类器（底层分类器均使用Logic Regression）。第 $i$ 个底层分类器使用的训练集为 $S_i\cup\hat{T}$ ，其中 $\hat{T}$ 是从 $T$ 中抽取的部分（10%）带有标签的样本，剩余的90%作为测试集。对于 $T$ 中90%的样本，同时作为第 $N+1$ 个底层分类器的训练集与测试集，训练得到第 $N+1$ 个底层分类器。此时共计得到 $N+1$ 个底层分类器，记为 clf_list=[clf1

关注