基于特征提取和Stacking集成学习的软件缺陷预测

来源：计算机应用与软件杂志2025年第1期北京时间：

作者：崔梦天, 吴克奇, Mariani M S

摘要：针对缺陷数据的相关性较高以及单一的分类算法存在泛化性不高的问题，提出一种软件缺陷预测模型KSSDP(KPCA Stacking Software Defect Prediction )。采用核主成分分析(KPCA)对缺陷数据集进行特征提取，使用混合采样SMOTEENN方法解决缺陷数据集的类不平衡问题，使用K-Means算法对缺陷数据集进行聚类以剔除异常值，使用Stacking集成学习构建KSSDP集成预测模型并进行仿真实验，结果表明该模型比基模型、主流集成模型和深度学习模型的性能更好。

关键词：核主成分分析, 特征提取, KSSDP模型, 集成学习, 软件缺陷预测