Towards an Improvement of Bug Severity Classification
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F14%3A00076796" target="_blank" >RIV/00216224:14330/14:00076796 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/SEAA.2014.51" target="_blank" >http://dx.doi.org/10.1109/SEAA.2014.51</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/SEAA.2014.51" target="_blank" >10.1109/SEAA.2014.51</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Towards an Improvement of Bug Severity Classification
Popis výsledku v původním jazyce
Predicting the severity of bugs has been found in past research to improve triaging and the bug resolution process. For this reason, many classification/prediction approaches emerged over the years to provide an automated reasoning over severity classes.In this paper, we use text mining together with bi-grams and feature selection to improve the classification of bugs in severe/non-severe classes. We adopt the Naive Bayes (NB) classifier considering Mozilla and Eclipse datasets commonly used in relatedworks. Overall, the results show that the application of bi-grams can improve slightly the performance of the classifier, but feature selection can be more effective to determine the most informative terms and bi-grams. The results are in any case project-dependent, as in some cases the addition of bi-grams may worsen the performance.
Název v anglickém jazyce
Towards an Improvement of Bug Severity Classification
Popis výsledku anglicky
Predicting the severity of bugs has been found in past research to improve triaging and the bug resolution process. For this reason, many classification/prediction approaches emerged over the years to provide an automated reasoning over severity classes.In this paper, we use text mining together with bi-grams and feature selection to improve the classification of bugs in severe/non-severe classes. We adopt the Naive Bayes (NB) classifier considering Mozilla and Eclipse datasets commonly used in relatedworks. Overall, the results show that the application of bi-grams can improve slightly the performance of the classifier, but feature selection can be more effective to determine the most informative terms and bi-grams. The results are in any case project-dependent, as in some cases the addition of bi-grams may worsen the performance.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/LG13010" target="_blank" >LG13010: Zastoupení ČR v European Research Consortium for Informatics and Mathematics</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
40th Euromicro Conference on Software Engineering and Advanced Applications, SEAA 2014
ISBN
9781479957941
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
269-276
Název nakladatele
IEEE
Místo vydání
Verona
Místo konání akce
Verona
Datum konání akce
1. 1. 2014
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—