A Deep Ensemble Learning Method for Effort-Aware Just-In-Time Defect Prediction

طريقة تعلّم تجميعي عميق للتنبؤ بالعيوب في الوقت المناسب مع مراعاة الجهد

Clicks: 378
ID: 88103
2019
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #6 of 24 articles by views in future internet

Most read Least read

Bar heights use a square-root scale.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Since the introduction of just-in-time effort aware defect prediction, many researchers are focusing on evaluating the different learning methods, which can predict the defect inducing changes in a software product. In order to predict these changes, it is important for a learning model to consider the nature of the dataset, its unbalancing properties and the correlation between different attributes. In this paper, we evaluated the importance of these properties for a specific dataset and proposed a novel methodology for learning the effort aware just-in-time prediction of defect inducing changes. Moreover, we devised an ensemble classifier, which fuses the output of three individual classifiers (Random forest, XGBoost, Multi-layer perceptron) to build an efficient state-of-the-art prediction model. The experimental analysis of the proposed methodology showed significant performance with 77% accuracy on the sample dataset and 81% accuracy on different datasets. Furthermore, we proposed a highly competent reinforcement learning technique to avoid false alarms in real time predictions.
منذ ظهور مفهوم التنبؤ بالعيوب المراعي للجهد في الوقت المناسب، ركّز العديد من الباحثين على تقييم طرائق التعلم المختلفة التي يمكنها التنبؤ بالتغييرات المسببة للعيوب في المنتج البرمجي. ومن أجل التنبؤ بهذه التغييرات، من الضروري أن يراعي نموذج التعلم طبيعة مجموعة البيانات، وخصائص عدم توازنها، والارتباط بين سماتها المختلفة. نقوم في هذه الورقة بتقييم أهمية هذه الخصائص لمجموعة بيانات محددة، واقتراح منهجية مبتكرة لتعلم التنبؤ بالتغييرات المسببة للعيوب على نحوٍ يراعي الجهد وفي الوقت المناسب. علاوة على ذلك، ابتكرنا مصنِّفاً تجميعياً يدمج مخرجات ثلاثة مصنِّفات فردية (الغابة العشوائية Random Forest، وXGBoost، والبيرسبترون متعدد الطبقات Multi-layer perceptron) لبناء نموذج تنبؤ متطور وعالي الكفاءة. وقد أظهر التحليل التجريبي للمنهجية المقترحة أداءً ملحوظاً بدقة بلغت 77% على مجموعة بيانات العينة و81% على مجموعات بيانات مختلفة. وفضلاً عن ذلك، اقترحنا تقنية تعلم تعزيزي عالية الكفاءة لتفادي الإنذارات الخاطئة في التنبؤات اللحظية (في الوقت الفعلي).
Reference Key
albahli2019afuture Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Albahli, Saleh;
Journal future internet
Year 2019
DOI
DOI not found
URL
https://www.mdpi.com/1999-5903/11/12/246
Keywords
Medicine Information technology ophthalmology history of scholarship and learning. the humanities

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.