公开(公告)号：CN112148605A

公开(公告)日：2020-12-29

申请号：CN202010999235.1

申请日：2020-09-22

Applicant: 华南理工大学 ,  华南理工大学梅州技术研究院

Inventor： 陆璐 ,  周璇

IPC: G06F11/36

Abstract: 本发明公开了一种基于谱聚类的半监督学习的软件缺陷预测方法，包含以下步骤：1)获取原始数据，进行数据预处理操作，得到处理后的特征矩阵；2)判断特征矩阵有无标签：对于无标签数据，通过谱聚类进行聚类；通过软件缺陷预测的启发式规则对获得的聚类进行标签操作，得到伪标签，然后转到步骤3)；对于有标签数据，直接转到步骤3)；3)根据数据分布计算特征偏离分数并进行特征选择，其中原有标签数据所占权重大于伪标签数据所占权重；4)根据新的特征矩阵再次进行聚类和打标签操作，得到预测结果。本发明减少了无关及冗余特征对模型结果的影响，利用了项目原有标签数据的信息，能够有效提高软件缺陷预测结果的准确性，增加模型的适用性。

公开(公告)号：CN112148605B

公开(公告)日：2022-05-20

申请号：CN202010999235.1

申请日：2020-09-22

Applicant: 华南理工大学 ,  华南理工大学梅州技术研究院

Inventor： 陆璐 ,  周璇

IPC: G06F11/36

Abstract: 本发明公开了一种基于谱聚类的半监督学习的软件缺陷预测方法，包含以下步骤：1)获取原始数据，进行数据预处理操作，得到处理后的特征矩阵；2)判断特征矩阵有无标签：对于无标签数据，通过谱聚类进行聚类；通过软件缺陷预测的启发式规则对获得的聚类进行标签操作，得到伪标签，然后转到步骤3)；对于有标签数据，直接转到步骤3)；3)根据数据分布计算特征偏离分数并进行特征选择，其中原有标签数据所占权重大于伪标签数据所占权重；4)根据新的特征矩阵再次进行聚类和打标签操作，得到预测结果。本发明减少了无关及冗余特征对模型结果的影响，利用了项目原有标签数据的信息，能够有效提高软件缺陷预测结果的准确性，增加模型的适用性。