基于迁移学习的跨项目软件缺陷预测

软件缺陷预测在提高软件质量、控制与平衡软件成本方面起着举足轻重的作用,是软件工程的活跃领域。研究者们提出了许多预测技术,从不同层面解决了不同的问题。传统软件缺陷预测算法在面对跨项目软件缺陷预测中往往不能得到一个好的结果,原因是训练数据样本(源数据)和测试数据样本(目标数据)之间的分布是不同的。为了解决这个问题,提出了一种基于迁移学习的跨项目软件缺陷预测算法。该算法首先采用了一种不同分布之间的距离度量方式,训练出一种模型来最小化训练数据和测试数据之间的分布差异以及条件分布差异,在映射过后的新的特征空间中两种数据集几乎拥有同样的分布。然后就可以采用传统的机器学习算法进行分类。实验结果表明,该算法具有较好的预测性能