365 (a) Agitator (b) Mockitator (c)

365 (a) Agitator (b) Mockitator (c) Randoop Fig. 5. Success rate on projects when left out of the training set, relative to each tool’s overall ZeroR success rate We used two methods of cross-validation. 10-fold crossvalidation, a widely-accepted method for verifying machine learning classifiers [16], divides the data into 10 random subsets and performs cross-validation using 9 subsets for training and the remaining subset for testing. Leave-project-out (LPO) cross-validation, a method specific to our experiments, trains a decision tree on all projects except one which is left out for testing. We compared these two success rates against the success rate of the trivial ZeroR classifier that always predicts the most common classification. For example, if most of the training data got low coverage, ZeroR will predict low coverage on all inputs.

ผลลัพธ์ (ไทย) 1:

365 (ก) Agitator (b) (c) Mockitator Randoop Fig. 5 ตั้งค่าอัตราความสำเร็จในโครงการเมื่อเหลือจากการฝึกอบรม สัมพันธ์กับอัตราความสำเร็จ ZeroR โดยรวมของแต่ละเครื่องมือ เราใช้สองวิธีของการตรวจสอบข้าม 10-fold crossvalidation วิธีการยอมรับอย่างกว้างขวางในการตรวจสอบเครื่องจักรเรียนรู้คำนามภาษา [16], แบ่งข้อมูลออกเป็น 10 ชุดย่อยสุ่ม และทำการใช้ย่อย 9 การฝึกย่อยที่เหลือสำหรับการทดสอบตรวจสอบข้าม ลาออกโครงการ (LPO) ข้ามตรวจสอบ วิธีเฉพาะของเราทดลอง รถไฟต้นไม้การตัดสินใจในโครงการทั้งหมดยกเว้นหนึ่งที่ปล่อยออกสำหรับการทดสอบ เราเปรียบเทียบราคาความสำเร็จสองกับอัตราความสำเร็จของ classifier ZeroR เล็กน้อยที่จะทำนายประเภททั่วไป ตัวอย่าง ถ้าข้อมูลฝึกอบรมส่วนใหญ่มีความครอบคลุมต่ำ ZeroR จะทายต่ำครอบคลุมปัจจัยการผลิตทั้งหมด

ผลลัพธ์ (ไทย) 2:

365 (ก) ปั่น (ข) Mockitator (c) Randoop รูป 5. อัตราการประสบความสำเร็จในโครงการเมื่อออกจากชุดการฝึกอบรมเมื่อเทียบกับอัตราความสำเร็จ ZeroR โดยรวมของเครื่องมือแต่ละเราใช้สองวิธีการตรวจสอบข้าม crossvalidation 10 เท่าวิธีการได้รับการยอมรับอย่างกว้างขวางในการตรวจสอบแยกแยะการเรียนรู้เครื่อง [16] แบ่งข้อมูลออกเป็น 10 ส่วนย่อยสุ่มและดำเนินการตรวจสอบข้ามใช้ 9 ส่วนย่อยสำหรับการฝึกอบรมและเซตที่เหลือสำหรับการทดสอบ ออกจากโครงการออก (LPO) ข้ามการตรวจสอบวิธีการเฉพาะการทดลองของเรารถไฟต้นไม้ตัดสินใจเกี่ยวกับโครงการทั้งหมดยกเว้นหนึ่งซึ่งถูกปล่อยออกมาสำหรับการทดสอบ เราเมื่อเทียบกับทั้งสองอัตราความสำเร็จกับอัตราความสำเร็จของการจําแนก ZeroR เล็กน้อยที่มักจะคาดการณ์การจัดประเภทที่พบมากที่สุด ตัวอย่างเช่นถ้ามากที่สุดของข้อมูลการฝึกอบรมมีความคุ้มครองต่ำ ZeroR จะทำนายความคุ้มครองต่ำในปัจจัยการผลิตทั้งหมด

ผลลัพธ์ (ไทย) 3:

365 ( ) กวน ( B ) mockitator ( C ) randoop รูปที่ 5 อัตราความสำเร็จในโครงการ เมื่อเหลือจากชุดฝึกอบรม ญาติของแต่ละเครื่องมือโดยรวมของเศโรร์อัตราความสำเร็จที่เราใช้สองวิธีการข้ามการตรวจสอบ 10 เท่า crossvalidation , การยอมรับอย่างกว้างขวาง วิธีตรวจสอบเครื่องเรียนรู้ลักษณนาม [ 16 ]แบ่งข้อมูลเป็น 10 ส่วนย่อยที่สุ่มและการตรวจสอบการใช้ข้อมูลข้าม 9 สำหรับการฝึกอบรม และอีกส่วนหนึ่งสำหรับการทดสอบ ออกจากโครงการ ( LPO ) ข้ามการตรวจสอบที่เฉพาะเจาะจง วิธีการทดลองของเรา รถไฟโครงสร้างการตัดสินใจในโครงการทั้งหมดยกเว้นหนึ่งที่ออกมาเพื่อทดสอบเราเปรียบเทียบทั้งสองความสำเร็จกับอัตราความสำเร็จของเศโรร์เล็กๆแบบที่มักทำนายประเภททั่วไปมากที่สุด ตัวอย่างเช่น ถ้าส่วนใหญ่ของข้อมูลการฝึกอบรมมีความคุ้มครองต่ำเศโรร์จะทำนายครอบคลุมต่ำทั้งหมดข้อมูล