文献

J-GLOBAL ID：201802237083675138   整理番号：18A1873433

不均衡データ処理法によるソフトウェア変更分類の経験的研究【JST・京大機械翻訳】

An empirical study of software change classification with imbalance data-handling methods

著者 (4件)： Zhu Xiaoyan (School of Electronic and Information Engineering, Xi’an Jiaotong University, Xi’an, China) ,  Niu Binbin (School of Electronic and Information Engineering, Xi’an Jiaotong University, Xi’an, China) ,  Whitehead E. James Jr. (Department of Computational Media, University of California, Santa Cruz, Santa Cruz, CA, USA) ,  Sun Zhongbin (School of Electronic and Information Engineering, Xi’an Jiaotong University, Xi’an, China)
資料名： Software: Practice & Experience  (Software: Practice & Experience)
巻： 48  号： 11  ページ： 1968-1999  発行年： 2018年 
JST資料番号： E0674A  ISSN： 0038-0644  CODEN： SPEXBL  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ソフトウェアコード変化におけるバグ予測は,それらが導入されるとき,すぐにバグを見つけて,固定するために開発者を助けることができて,このように,バグ固定の有効性と有効性を改良することができた。データマイニングにおいて,この問題は変化分類タスクと見なすことができる。しかしながら,そのキー特性の1つ,すなわちクラス不均衡は標準分類法の性能を保持する。本論文では,より良い変化分類性能を達成することを目的として,不均衡データ処理法の量を考察し,より包括的な変化特徴のグループを抽出した。2つの異なるタイプの不均衡データ処理法,すなわち再サンプリングとアンサンブル学習法を用いた。特に,それらの組合せの性能を調べた。種々の不均衡データ処理方法の性能を比較するために,10のオープンソースプロジェクトによる実験を実施した。4つの分類方法(J48,Naive Bayes,SMO,およびランダムフォレストを含む)を,それぞれ標準分類装置およびベース分類装置として用いた。さらに,変化特徴の異なるグループの寄与を評価した。実験結果は,不均衡データ処理方法が変化分類と組合せ方法の性能を改良することができることを示して,それは集合学習と再サンプリングの両方を利用して,個々に集合学習方法または再サンプリング方法を使用するより良く実行した。研究した不均衡データ処理法の中で,ベース分類器としてのバギングとランダムなアンダーサンプリングの組合せは,他の方法によって達成されたものより良い予測結果をもたらす。さらに,収集した変化特徴の中で,テキストベクトルの特徴は他のものよりも大きな割合を占める。Copyright 2018 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測 ,  ソフトウェア障害 ,  データマイニング ,  分類装置 ,  *ソフトウェア ,  ベクトル ,  学習
準シソーラス用語： アンダーサンプリング ,  ランダムフォレスト ,  オープンソース ,  *不均衡データ ,  アンサンブル学習 ,  リサンプリング ,  クラス不均衡 ,  *不均衡 , 【Automatic Indexing@JST】

著者キーワード (5件)： バグ予測 ,  変化の分類 ,  アンサンブル学習 ,  不均衡データ ,  再サンプリング

分類 (1件)： 計算機システム開発  (JD02010R)

タイトルに関連する用語 (6件)： 均衡 ,  データ処理法 ,  ソフトウェア ,  分類 ,  経験 ,  研究