Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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