ML_Fault理解:实验的复制描述性统计信息(ANOVAChi2squareWilcoxon功效计算)相关分析(Kendall tau)预测模型(逻辑回归)。
ML_Fault了解 目标: 研究影响故障理解准确性的因素(识别导致软件故障的代码的能力)。 分析的因素包括程序员的属性(专业,经验,编码能力)和任务(持续时间,自信心,难度)。 指标: 退出率 任务吸收率 资格分数 任务持续时间 说明尺寸 评价者间的可靠性 数据: 进行两次实验来识别导致软件故障的代码。 实验: E1:5405个任务,777个程序员,10个流行的开源项目中的10个实际失败 E2:2580个任务,497个程序员,5个流行的开源项目中的8个真正的失败 分析方法: 实验复制,描述性统计(ANOVA,Chi2square,Wilcoxon),相关分析(Kendall-tau
文件列表
ML_FaultUnderstanding-master.zip
(预估有个65文件)
ML_FaultUnderstanding-master
.pydevproject
431B
data
consolidated_Final_Experiment_1.arff
2.85MB
program_size_E2_csv.csv
555B
consolidated_Final_Experiment_2.arff
1.5MB
gender_profession.csv
609B
gender_data.csv
102KB
SpeedCodeInspection.xlsx
26KB
ground_truth_E2.csv
31KB
暂无评论