ML、深度学习和生物启发算法在缺陷分类中的比较

有效的错误分类对于有效的软件开发至关重要，因为错误可能导致软件故障和意外行为。错误分类过程包括报告摘要、严重性分类和向开发人员分配错误。本文介绍了一种新的开发人员推荐算法，旨在对开发人员进行排名，以减少错误抛出长度。为了自动化和提高缺陷分类的准确性，使用了各种机器学习模型、深度学习模型和生物启发算法。在本项目中，我们将生物启发算法与传统机器学习算法（如SVM、随机森林、Logistic回归、K最近邻、决策树和随机森林）的有效性进行了比较。我们使用开源数据集，如eclipse错误数据集和Firefox数据集进行分析。我们对数据进行了预处理，并使用人工蜂群（ABC）算法优化缺陷分类。我们的结果表明，与传统的机器学习算法相比，ABC算法产生了更准确的结果，适应度得分为78.603，其中决策树获得的最高准确度为0.56。