一种利用特征选择进行软件故障预测的新方法

塔伊夫大学，比尔泽特大学和RMIT大学的研究人员开发了一种软件故障预测(SFP)的新方法，该方法解决了现有机器学习SFP技术的一些局限性。他们的方法采用特征选择(FS)来增强分层递归神经网络(L-RNN)的性能，该神经网络用作SFP的分类工具。

软件故障预测(SFP)是预测新开发的软件中易于出错的模块的过程。在将软件组件交付给最终用户之前预测软件组件中的故障至关重要，因为它可以节省与在稍后阶段识别和解决这些问题相关的时间，精力和不便。

近年来，神经网络，逻辑回归，支持向量机和集成分类器等机器学习技术已被证明在处理SFP方面非常有效。但是，由于可以通过挖掘软件历史存储库获得大量数据，因此可能会遇到与故障无关的功能。这有时会误导学习算法，从而降低其性能。

特征选择(FS)是一种技术，可以帮助消除这些不相关的特征而不会损害机器学习算法的性能。在机器学习中，特征选择需要选择要在特定模型中使用的相关特征的子集(即预测器)。FS可以减少数据的维数; 删除不相关和冗余的数据。

在他们发表在Expert Systems with Applications上的论文中，塔伊夫大学，比尔泽特大学和RMIT大学的研究小组提出了一种新的FS方法，以提高SFP 分层递归神经网络(L-RNN)的性能。研究人员迭代地使用了三种不同的包装FS算法：二进制遗传算法(BGA)，二进制粒子群优化(BPSO)和二元蚁群优化(BACO)。

“我们已经提出了一种带有分层递归神经网络的迭代特征选择算法，用于解决软件故障预测问题，”研究人员在他们的论文中写道。“所提出的算法能够使用不同的特征选择算法选择最重要的软件度量。分类过程由分层递归神经网络执行。”

研究人员从PROMISE存储库评估了他们对19个真实世界软件项目的方法，并将他们的结果与使用其他最先进方法获得的结果进行了比较，包括NaïveBayes(NB)，人工神经网络(ANNs)，逻辑回归(LR)，k-最近邻(k-NN)和C4.5决策树。他们的方法优于所有其他现有方法，在所有数据集上实现了0.8358的平均分类率。

“研究人员在他们的论文中解释说：”获得的结果支持了我们对特征选择在构建高质量分类器中的重要性的主张，而不是使用一组固定的特征或所有特征。“为了将来的工作，我们计划调查不同分类器(如遗传编程)的性能，以构建一个能够根据所选指标预测故障的计算机模型。”