TY-JOURA2-Briola、DanielaAU-Zheng、ShangAU-Ui-Yu、HualongAU-Zou、HatooAU-Gao、ShangPY-2020DA-2020DA-2020/11/19TI-软件偏差预测软件缺陷数据偏差性会降低模型性能论文中,我们讨论了如何改善SDP分布不均的问题,SDP有利于软件缺陷预测,以寻找更好的方法。第一,引入相对密度以反映类别内每个实例的重要性,这与特征空间数据分布尺度无关!因此,它比绝对距离信息强第二 K级 近邻概率估计均用策略计算每一培训实例的相对密度此外,样本模糊成员设计以相对密度为基础,以便消除噪声异端样本的分类误差最后,建议使用两种算法培训基于加权极端学习机的软件缺陷预测模型论文比较了基准数据集上的拟议算法和传统SDP方法证明拟议方法总体性能高得多,包括计量 G级 表示AUC和平衡所拟算法对SDP数据分布类型更具活力和适应性,并可以更准确地估计每个实例的意义,并分配两个不同类相同的全部模糊系数而不考虑数据尺度的影响SN-1058-9244UR-https://doi.org/101155/208852705DO-10.1155/208852705JF-科学编程PB-HindawiKW-ER-ER