期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于Boosting的代价敏感软件缺陷预测方法
被引量：
6
1
作者
杨杰
燕雪峰
张德平
《计算机科学》
CSCD
北大核心
2017年第8期176-180,206,共6页
Boosting重抽样是常用的扩充小样本数据集的方法,首先针对抽样过程中存在的维数灾难现象,提出随机属性子集选择方法以进行降维处理;进而针对软件缺陷预测对于漏报与误报的惩罚因子不同的特点,在属性选择过程中添加代价敏感算法。以多个...
Boosting重抽样是常用的扩充小样本数据集的方法,首先针对抽样过程中存在的维数灾难现象,提出随机属性子集选择方法以进行降维处理;进而针对软件缺陷预测对于漏报与误报的惩罚因子不同的特点,在属性选择过程中添加代价敏感算法。以多个基本k-NN预测器为弱学习器,以代价最小为属性删除原则,得到当前抽样集的k值与属性子集的预测器集合,采用代价敏感的权重更新机制对抽样过程中的不同数据实例赋予相应权值,由所有预测器集合构成自适应的集成k-NN强学习器并建立软件缺陷预测模型。基于NASA数据集的实验结果表明,在小样本情况下,基于Boosting的代价敏感软件缺陷预测方法预测的漏报率有较大程度降低,误报率有一定程度增加,整体性能优于原来的Boosting集成预测方法。
展开更多
关键词
软件缺陷预测
BOOSTING
代价敏感
随机
属性
选择
集成k-NN
下载PDF
职称材料
基于选择性的贝叶斯分类器集成方法
被引量：
4
2
作者
郑建军
刘炜
+1 位作者
刘琼昕
刘玉树
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2003年第6期724-727,共4页
提出一种基于选择性的贝叶斯分类器集成方法.该方法为避免数据预处理时的属性约简对分类效果的直接影响,在训练集上通过随机属性选取生成若干属性子集,并以这些子集训练不同的贝叶斯分类器,进而采用遗传算法优选贝叶斯分类器集成,其适...
提出一种基于选择性的贝叶斯分类器集成方法.该方法为避免数据预处理时的属性约简对分类效果的直接影响,在训练集上通过随机属性选取生成若干属性子集,并以这些子集训练不同的贝叶斯分类器,进而采用遗传算法优选贝叶斯分类器集成,其适应度函数综合了分类器的精度和差异度两项指标.实验中,将该方法与已有方法在UCI的标准数据集上进行了性能比较,并将该方法用于C3I系统中的威胁度估计.
展开更多
关键词
贝叶斯分类器集成
随机
属性
选择
遗传算法
数据挖掘
下载PDF
职称材料
题名
基于Boosting的代价敏感软件缺陷预测方法
被引量：
6
1
作者
杨杰
燕雪峰
张德平
机构
南京航空航天大学计算机科学与技术学院
出处
《计算机科学》
CSCD
北大核心
2017年第8期176-180,206,共6页
基金
十三五重点基础科研项目(JCKY2016206B001)
江苏省六大人才高峰项目(XXRJ-004)
软件新技术与产业化协同创新中心资助
文摘
Boosting重抽样是常用的扩充小样本数据集的方法,首先针对抽样过程中存在的维数灾难现象,提出随机属性子集选择方法以进行降维处理;进而针对软件缺陷预测对于漏报与误报的惩罚因子不同的特点,在属性选择过程中添加代价敏感算法。以多个基本k-NN预测器为弱学习器,以代价最小为属性删除原则,得到当前抽样集的k值与属性子集的预测器集合,采用代价敏感的权重更新机制对抽样过程中的不同数据实例赋予相应权值,由所有预测器集合构成自适应的集成k-NN强学习器并建立软件缺陷预测模型。基于NASA数据集的实验结果表明,在小样本情况下,基于Boosting的代价敏感软件缺陷预测方法预测的漏报率有较大程度降低,误报率有一定程度增加,整体性能优于原来的Boosting集成预测方法。
关键词
软件缺陷预测
BOOSTING
代价敏感
随机
属性
选择
集成k-NN
Keywords
Software defect prediction
Boosting
Cost-sensitive
Randomly feature selection
Ensemble k-NN
分类号
TP311 [自动化与计算机技术—计算机软件与理论]
下载PDF
职称材料
题名
基于选择性的贝叶斯分类器集成方法
被引量：
4
2
作者
郑建军
刘炜
刘琼昕
刘玉树
机构
北京理工大学信息科学技术学院计算机科学工程系
中软网络技术股份有限公司
出处
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2003年第6期724-727,共4页
基金
国家部委预研项目(101405033)
文摘
提出一种基于选择性的贝叶斯分类器集成方法.该方法为避免数据预处理时的属性约简对分类效果的直接影响,在训练集上通过随机属性选取生成若干属性子集,并以这些子集训练不同的贝叶斯分类器,进而采用遗传算法优选贝叶斯分类器集成,其适应度函数综合了分类器的精度和差异度两项指标.实验中,将该方法与已有方法在UCI的标准数据集上进行了性能比较,并将该方法用于C3I系统中的威胁度估计.
关键词
贝叶斯分类器集成
随机
属性
选择
遗传算法
数据挖掘
Keywords
ensemble of simple Bayesian classifiers
random feature selection
genetic algorithm
data mining
分类号
TP311 [自动化与计算机技术—计算机软件与理论]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于Boosting的代价敏感软件缺陷预测方法
杨杰
燕雪峰
张德平
《计算机科学》
CSCD
北大核心
2017
6
下载PDF
职称材料
2
基于选择性的贝叶斯分类器集成方法
郑建军
刘炜
刘琼昕
刘玉树
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2003
4
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
