Predicción de defectos entre proyectos basada en adaptación de dominio y optimización de LSTM
Autores: Javed, Khadija; Shengbing, Ren; Asim, Muhammad; Wani, Mudasir Ahmad
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Predicción de defectos entre proyectos basada en adaptación de dominio y optimización de LSTM
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Predicción de defectos
Interproyecto
SCAG-LSTM
SMOTE
LSTM
Selección de características
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
La investigación propone el modelo SCAG-LSTM, que mejora los modelos base en un 33.03%, 29.15% y 1.48% en términos de F1-medida y en un 16.32%, 34.41% y 3.59% en términos del Área Bajo la Curva (AUC) en el conjunto de datos AEEEM, mientras que en el conjunto de datos PROMISE mejora la F1-medida de los modelos base en un 42.60%, 32.00% y 25.10% y en un 34.90%, 27.80% y 12.96%. Estos hallazgos sugieren que el modelo propuesto muestra un sólido rendimiento predictivo.
Descripción
La investigación propone el modelo SCAG-LSTM, que mejora los modelos base en un 33.03%, 29.15% y 1.48% en términos de F1-medida y en un 16.32%, 34.41% y 3.59% en términos del Área Bajo la Curva (AUC) en el conjunto de datos AEEEM, mientras que en el conjunto de datos PROMISE mejora la F1-medida de los modelos base en un 42.60%, 32.00% y 25.10% y en un 34.90%, 27.80% y 12.96%. Estos hallazgos sugieren que el modelo propuesto muestra un sólido rendimiento predictivo.