یادگیری دو مرحله ای حساس به هزینه برای تشخیص عیب نرم افزار

تشخیص عیب نرم افزار، ماژول نرم افزار را در دو گروه، در معرض عیب و ایمن از عیب تقسیم بندی می کند که یک راه موثر برای بالا نگه داشتن کیفیت سیستمهای نرم افزاری را فراهم می کند. بسیاری از مدل های موجود در حال تلاش اند برا رسیدن به نرخ خطای طبقه بندی شده ای که به لحظ هزینه ای، کمتر از نرخ خطای مدل طبقه بندی نادرست باشد. با این حال،در بسیاری از برنامه های کاربردی در دنیای واقعی،ماژول های در معرض عیب که درست طبقه بندی نشده اند به لحاظ هزینه ای، بالاتر از همان مدل خودشان، اما از نوع ایمن از عیب هستند.در این مقاله،ما برای اولین بار یک روش جدید، دو مرحله ای و حساس به هزینه یا همان برای را با استفاده ازاطلاعات هزینه نه تنها در سطح طبقه بندی شده بلکه در مرحله انتخاب ویژگی مورد بررسی قرار می دهیم. پس از آن،بطور خاص،مرحله انتخاب ویژگی را انجام می دهیم.ما سه الگوریتم انتخاب ویژگی حساس به هزینه داریم امتیاز واریانس حساس به هزینه، امتیاز لاپلاس حساس به هزینه و امتیاز محدودیت حساس به هزینه را با ترکیب کردن با اطلاعات هزینه و با الگوریتم انتخاب ویژگی قدیمی آنها را گسترش می دهیم. روش پیشنهادی در هفت مجموعه داده ی واقعی از پروژه های ناسا مورد بررسی قرار گرفته است. نتایج آزمایشات نشان می دهدکه روش کارایی بهتری در تشخیص عیب نرم افزار در مقایسه با تک مرحله ای حساس به هزینه ی طبقه بندی شده دارد. همچنین آزمایشهای ما نشان می دهد که روش های انتخاب ویژگی حساس به هزینه پیشنهادی بهتر از روش انتخاب ویژگی قدیمی هزینه کور به لحاظ اثراعتبار با استفاده از اطلاعات هزینه در مرحله انتخاب ویژگی دارد.

کلیدواژه ها:

تشخیص عیب نرم افزار ، یادگیری دو مرحله ای حساس به هزینه ، واریانس ، لاپلاس ، محدودیت امتیاز