Source Code Metrics for Software Defects Prediction

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F23%3A00130144" target="_blank" >RIV/00216224:14330/23:00130144 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1145/3555776.3577809" target="_blank" >http://dx.doi.org/10.1145/3555776.3577809</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1145/3555776.3577809" target="_blank" >10.1145/3555776.3577809</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Source Code Metrics for Software Defects Prediction

Popis výsledku v původním jazyce

In current research, there are contrasting results about the applicability of software source code metrics as features for defect prediction models. The goal of the paper is to evaluate the adoption of software metrics in models for software defect prediction, identifying the impact of individual source code metrics. With an empirical study on 275 release versions of 39 Java projects mined from GitHub, we compute 12 software metrics and collect software defect information. We train and compare three defect classification models. The results across all projects indicate that Decision Tree (DT) and Random Forest (RF) classifiers show the best results. Among the highest-performing individual metrics are NOC, NPA, DIT, and LCOM5. While other metrics, such as CBO, do not bring significant improvements to the models.

Název v anglickém jazyce

Source Code Metrics for Software Defects Prediction

Popis výsledku anglicky

In current research, there are contrasting results about the applicability of software source code metrics as features for defect prediction models. The goal of the paper is to evaluate the adoption of software metrics in models for software defect prediction, identifying the impact of individual source code metrics. With an empirical study on 275 release versions of 39 Java projects mined from GitHub, we compute 12 software metrics and collect software defect information. We train and compare three defect classification models. The results across all projects indicate that Decision Tree (DT) and Random Forest (RF) classifiers show the best results. Among the highest-performing individual metrics are NOC, NPA, DIT, and LCOM5. While other metrics, such as CBO, do not bring significant improvements to the models.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10200 - Computer and information sciences

Projekt

<a href="/cs/project/EF16_019%2F0000822" target="_blank" >EF16_019/0000822: Centrum excelence pro kyberkriminalitu, kyberbezpečnost a ochranu kritických informačních infrastruktur</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

The 38th ACM/SIGAPP Symposium on Applied Computing (SAC '23)

ISBN

9781450395175

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

1469-1472

Název nakladatele

Association for Computing Machinery (ACM)

Místo vydání

Not specified

Místo konání akce

Tallinn, Estonia

Datum konání akce

27. 3. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001124308100207