Voting Based Ensemble Classification for Software Defect Prediction

Jacob, Rohit John; Kamat, Rutuja J; Sahithya, N M; John, Sharon Saji; Shankar, Sahana P.

doi:10.1109/mysurucon52639.2021.9641713

Cited by 8 publications

(4 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…In this case, the aggregation function relies on a majority voting scheme, whereby a class is classified as buggy if most models predict it. This approach is effective in practice, improving the performance of prediction models (Jacob et al, 2021). In contrast, the classification task is hindered when most models fail to predict bugginess.…”

Section: Background and Related Workmentioning

confidence: 99%

Bug Prediction Models: seeking the most efficient

Marçal,

Garcia

2024

Preprint

View full text Add to dashboard Cite

Choosing the most appropriate machine learning model for bug prediction tasks is critical. This paper primarily compares the predictive power of individual models versus ensemble models. We begin by experimenting with popular single-machine learning models commonly used in bug prediction, like neural networks and support vector machines. Additionally, we test with ensemble models that combine individual models' unique strengths, aiming to maximize each's benefits. Our evaluation is based on datasets containing historical development data from well-known open-source software projects. We rely on various metrics when assessing the models, encompassing accuracy, precision, recall, and F1 score. Based on our research findings, it has been observed that ensemble models tend to outperform single models, particularly when it comes to maintaining resilience across various datasets.Nevertheless, factors like the project's complexity, data availability, and computational resources all play a role in determining whether to use single or ensemble models. This paper offers a thorough analysis of the factors to consider when selecting machine learning models and approaches for bug prediction, providing valuable insights into the field. Furthermore, it offers practical advice for professionals, enabling them to make informed choices.

show abstract

Section: Background and Related Workmentioning

confidence: 99%

Bug Prediction Models: seeking the most efficient

Marçal,

Garcia

2024

Preprint

View full text Add to dashboard Cite

show abstract

“…The study explores ensemble models in SDP, aiming to enhance predictive performance, stability, and robustness [20]. It investigates the impact of heterogeneous supervised machine learning classifiers on software defect prediction models.…”

Section: B Motivation Of the Studymentioning

confidence: 99%

“…The ensemble's ability to aggregate predictions leads to an overall improvement in accuracy, making it a valuable asset in the realm of software defect prediction, where precision and reliability are paramount for effective quality assurance in software development [20]. In the proposed model, the predictive accuracy of four heterogeneous base classifiers, including RF, SVM, NB, and ANN, is given as input to the voting ensemble model.…”

Section: Ensemble Modelingmentioning

confidence: 99%

Software Defect Prediction Using an Intelligent Ensemble-Based Model

Ali,

Mazhar,

Arif

et al. 2024

IEEE Access

View full text Add to dashboard Cite

Software defect prediction plays a crucial role in enhancing software quality while achieving cost savings in testing. Its primary objective is to identify and send only defective modules to the testing stage. This research introduces an intelligent ensemble-based software defect prediction model that combines diverse classifiers. The proposed model employs a two-stage prediction process to detect defective modules. In the first stage, four supervised machine learning algorithms are employed: Random Forest, Support Vector Machine, Naïve Bayes, and Artificial Neural Network. These algorithms are optimized through iterative parameter optimization to achieve the highest accuracy possible. In the second stage, the predictive accuracy of the individual classifiers is integrated into a voting ensemble to make the final predictions. This ensemble approach further improves the accuracy and reliability of the defect predictions. Seven historical defect datasets from the NASA MDP repository, namely CM1, JM1, MC2, MW1, PC1, PC3, and PC4, were utilized to implement and evaluate the proposed defect prediction system. The results demonstrate that each dataset's proposed intelligent system achieved remarkable accuracy, outperforming twenty state-of-the-art defect prediction techniques, including base classifiers and ensemble methods.

show abstract

“…Jacob ve ark. [11] NASA Promise veri kümesindeki sınıf dengesizliği problemi için öncelikli olarak veri kümesine 2 farklı ön işleme uygulamıştır. Bu ön işlem yöntemleri "Wrapper-Based Feature Selection" ve "Heuristic-Based Feature Selection" yöntemleridir.…”

Section: Yayın İncelemesiunclassified

Yazılım Hata Tahmininde Farklı Alt Örnekleme ve Üst Örnekleme Yöntemlerinin Kıyaslanması

ŞEN,

BOZKURT KESER

2023

Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi

View full text Add to dashboard Cite

Bilgisayarları ve makineleri çalıştırmak üzere belirli fonksiyonların işletilebilmesi için kullanılan komutlar bütünü yazılım olarak adlandırılmaktadır. Günümüzde birçok alanda yapılan faaliyetler ve kullanılan uygulamalar, içerisinde farklı algoritmalarla tasarlanmış yazılımlar barındırır. Bu yazılımların kusursuz ve ihtiyaçları karşılayacak şekilde olması büyük önem teşkil etmektedir. Yazılımın kalitesi, yazılımın içerisinde hata barındırmaması hem yazılımı geliştiren kişilerin hem de yazılımı kullanan son kullanıcıların önem verdiği konulardır. Yazılım hata tahmini doğası gereği dengesiz sınıf problemi içerir. Bu çalışmada, öncelikle dengesiz sınıf problemi çözülmeye çalışılmıştır. Bu doğrultuda, farklı alt örnekleme ve üst örnekleme yöntemleri, literatürde araştırmacıların kullanımına açık NASA’nın PROMISE veri deposundan alınan CM1, KC1, KC2, JM1 ve PC1 veri kümelerinin üzerinde uygulanmıştır. Yazılım hata tahmini aşamasında ise farklı sınıflandırma algoritmaları karşılaştırılarak her bir veri kümesi için en uygun algoritma belirlenmiştir. Deney sonuçlarında on farklı örnekleme yöntemi ile veri kümelerindeki dengesiz sınıf problemi giderilmiş; on üç farklı sınıflandırma algoritması ile sınıflandırma işlemi yapılmıştır. 0,92 oranında AUC ölçütü ile en iyi sınıflandırma sonucu PC1 veri kümesinde elde edilmiştir. Bu çalışma ile yazılım hata tahmininde örnekleme yöntemleri ve uygun sınıflandırıcılar ile hata tahmininin başarımının daha iyi olabileceği gösterilmiştir. Elde edilen sonuçlar, literatürde yapılan çalışmalar ile karşılaştırılarak önerilen yöntemin üstünlüğü ve etkinliği kanıtlanmıştır.

show abstract

Voting Based Ensemble Classification for Software Defect Prediction

Cited by 8 publications

References 15 publications

Bug Prediction Models: seeking the most efficient

Bug Prediction Models: seeking the most efficient

Software Defect Prediction Using an Intelligent Ensemble-Based Model

Yazılım Hata Tahmininde Farklı Alt Örnekleme ve Üst Örnekleme Yöntemlerinin Kıyaslanması

Contact Info

Product

Resources

About