数据集概述
本数据集为即时缺陷预测任务提供大规模数据支持，包含4个子集文件，涵盖提交标识符、提交指标等特征及缺陷标记。同时提供数据集构建的Python脚本、环境配置文件和操作说明，适用于模型训练与评估。
文件详解
- 数据集文件（位于dataset/目录下）：
- apachejit_total.csv：完整数据集，包含所有提交数据，字段包括提交标识符、提交指标特征及标记是否引入缺陷的"buggy"列
- apachejit_train.csv：训练子集，为2003-2016年的平衡数据，适用于对类别不平衡敏感的模型
- apachejit_test_large.csv：测试子集，为最后3年的非平衡数据，模拟真实场景下的模型评估
- apachejit_test_small.csv：小型测试子集，为最后3年的非平衡数据，是apachejit_test_large.csv的精简版本
- 脚本与配置文件：
- requirements.txt：Python环境依赖包列表，要求Python 3.8及以上版本
- src/目录：Python脚本，负责GitHub搜索、提交收集等数据构建步骤
- notebooks/目录：Python笔记本，用于关联缺陷报告与修复提交、过滤数据等流程
适用场景
- 软件缺陷预测研究：用于即时缺陷预测模型的训练、验证与性能评估
- 软件工程数据分析：分析提交特征与缺陷引入的关联关系
- 机器学习模型优化：针对类别不平衡问题的模型改进研究
- 软件质量保障：探索工业级软件项目的缺陷预防策略
