La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

A Comparative Study of Data Collection Periods for Just-In-Time Defect Prediction Using the Automatic Machine Learning Method Une étude comparative des périodes de collecte de données pour la prévision des défauts juste à temps à l'aide de la méthode d'apprentissage automatique automatique

Kosuke OHARA, Hirohisa AMAN, Sousuke AMASAKI, Tomoyuki YOKOGAWA, Minoru KAWAHARA

  • Vues en texte intégral

    0

  • Citer

Résumé:

Cet article se concentre sur la « période de collecte de données » pour former un meilleur modèle de prédiction des défauts juste à temps (JIT) – les données de validation précoce par rapport au modèle récent –, et mène une étude comparative à grande échelle pour explorer un modèle de données approprié. la période de collecte. Puisqu’il existe de nombreux algorithmes d’apprentissage automatique possibles pour former des modèles de prédiction de défauts, la sélection d’algorithmes d’apprentissage automatique peut devenir une menace pour la validité. Par conséquent, cette étude adopte la méthode d’apprentissage automatique automatique pour atténuer le biais de sélection dans l’étude comparative. Les résultats empiriques utilisant 122 projets de logiciels open source prouvent la tendance selon laquelle l'ensemble de données composé des commits récents deviendrait un meilleur ensemble de formation pour les modèles de prédiction de défauts JIT.

Publication
IEICE TRANSACTIONS on Information Vol.E106-D No.2 pp.166-169
Date de publication
2023/02/01
Publicisé
2022/11/11
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2022MPL0002
Type de manuscrit
Special Section LETTER (Special Section on Empirical Software Engineering)
Catégories

Auteurs

Kosuke OHARA
  Ehime University
Hirohisa AMAN
  Ehime University
Sousuke AMASAKI
  Okayama Prefectural University
Tomoyuki YOKOGAWA
  Okayama Prefectural University
Minoru KAWAHARA
  Ehime University

Mots-clés

Table des matières