摘要：软件缺陷预测是保证软件质量的关键。为了提高软件缺陷预测的性能，研究人员已经设计出多种缺陷预测模型，但大多数模型在提供预测结果时透明度较低，使得开发者难以理解模型内部的逻辑和决策过程，从而导致模型的不可解释性问题。该问题不仅限制了模型的可信度，也阻碍了其在实际发展中的应用。针对该问题，本文利用多个关联规则组合成一个可解释的多目标优化模型，被称为MoCFR，该模型采用反事实解释方法进行特征选择，通过反事实样本的特征变化率来确定每个特征的重要性分数。在此基础上，模型运用多目标优化技术构建关联规则分类器，同时优化分类误差、规则平均数量和置信度三个关键指标。在PROMISE数据集上的实验结果表明，MoCFR在分类误差方面优于现有的基于规则的分类模型，与同类多目标优化模型相比，显著减少了规则数量。
文章目录
1 相关工作
1.1反事实生成研究
1.2用于软件缺陷预测的关联规则
1.3关联分类器中的优化策略
2 可解释关联规则缺陷预测模型
2.1基于反事实解释的特征选择
2.2 有趣度计算
2.3多目标优化
3 实验
3.1研究问题
3.2数据集
3.3评价指标
3.4基线方法
3.5实验结果
3.6讨论
4有效性分析
5总结与展望
