소프트웨어 결함 예측을 위한 특징 기반 프레임워크

요약

본 연구는 소프트웨어 결함 예측(SFP)의 성능을 높이기 위해 특징 선택(Feature selection)과 하이퍼파라미터 튜닝을 결합한 프레임워크를 제안합니다. 다양한 머신러닝 알고리즘과 최적화 기법을 비교 분석한 결과, CFS와 유전 알고리즘(GA)을 결합하여 Random Forest 모델을 적용했을 때 가장 높은 정확도인 88.40%를 달성했습니다. 이를 통해 베이스라인 대비 18%의 성능 향상과 모델의 견고성을 입증하였습니다.

핵심 포인트

• 특징 선택(CFS, RFE, MI, L1 규제)과 하이퍼파라미터 튜닝(Grid search, Randomized search, GA)의 결합이 예측 성능을 극대화함
• CFS와 유전 알고리즘(GA)을 결합한 Random Forest 모델이 88.40%의 최고 정확도를 기록함
• 특징 선택을 통해 WMC, CBO와 같은 핵심 소프트웨어 속성을 식별하고 차원을 축소함
• 제안된 프레임워크는 낮은 교차 검증 변동성을 보이며 모델의 견고성과 효율성을 입증함