We speculate that the Mockitator tr

We speculate that the Mockitator tree’s poor LPO success rate was due to Mockitator’s already high coverage (and correspondingly high ZeroR success rate). A larger number of projects would likely improve LPO crossvalidation, since loss of one project would have a smaller impact on the success rate. LPO cross-validation also indicated how well a decision tree would predict coverage on individual projects. Figure 5 shows the success rate on each project when left out of the training set, relative to each tool’s ZeroR success rate. “N/A” indicates that Randoop crashed while generating tests. We found that the success rates for the Agitator (Figure 5(a)) and Randoop (Figure 5(c)) trees were higher than ZeroR’s success rate on most projects.

ผลลัพธ์ (ไทย) 1:

เราคาดการณ์ว่า LPO ของต้น Mockitator จนสำเร็จเป็น Mockitator ของความครอบคลุมสูงแล้ว (และอัตราความสำเร็จ ZeroR เรียบสูง) จำนวนโครงการขนาดใหญ่มีแนวโน้มจะปรับปรุง LPO crossvalidation เนื่องจากขาดทุนโครงการหนึ่งจะมีผลเล็กในอัตราความสำเร็จ LPO ข้ามตรวจสอบระบุว่า ดีต้นไม้ตัดสินใจจะทำนายความครอบคลุมในแต่ละโครงการ รูปที่ 5 แสดงอัตราความสำเร็จในแต่ละโครงการเมื่อเหลือจากชุดฝึกอบรม สัมพันธ์กับอัตราความสำเร็จของเครื่องมือแต่ละ ZeroR "N/a" บ่งชี้ว่า Randoop ล้มเหลวขณะสร้างทดสอบ เราพบว่าอัตราความสำเร็จสำหรับ Agitator ที่ (รูป 5(a)) และ Randoop (รูป 5(c)) ต้นไม้ได้สูงกว่าอัตราความสำเร็จของ ZeroR โครงการมากที่สุด

ผลลัพธ์ (ไทย) 2:

เราคาดการณ์ว่าอัตราความสำเร็จที่น่าสงสารต้นไม้ LPO Mockitator เป็นเนื่องจากความคุ้มครองที่สูงอยู่แล้ว Mockitator (และอัตราความสำเร็จสูง ZeroR ตามลําดับ) จำนวนมากของโครงการที่มีแนวโน้มว่าจะปรับปรุง LPO crossvalidation เนื่องจากการสูญเสียของโครงการจะมีผลกระทบต่ออัตราการขนาดเล็กที่ประสบความสำเร็จ LPO ตรวจสอบข้ามยังชี้ให้เห็นวิธีที่ดีที่ต้นไม้ตัดสินใจจะทำนายความคุ้มครองในแต่ละโครงการ รูปที่ 5 แสดงให้เห็นถึงอัตราความสำเร็จในแต่ละโครงการเมื่อออกจากชุดการฝึกอบรมเมื่อเทียบกับอัตราความสำเร็จ ZeroR เครื่องมือของแต่ละคน "N / A" แสดงให้เห็นว่า Randoop ชนขณะที่การสร้างการทดสอบ เราพบว่าอัตราความสำเร็จในการปั่น (รูปที่ 5 (ก)) และ Randoop (รูปที่ 5 (ค)) ต้นไม้สูงกว่าอัตราความสำเร็จ ZeroR ในโครงการส่วนใหญ่

ผลลัพธ์ (ไทย) 3:

เราคาดการณ์ว่า mockitator ต้นไม้จน LPO อัตราความสำเร็จเนื่องจาก mockitator ก็คุ้มครองสูงอยู่แล้ว ( และในรอบสูงอัตราความสําเร็จของเศโรร์ ) ตัวเลขขนาดใหญ่ของโครงการจะปรับปรุง LPO crossvalidation เนื่องจากการสูญเสียของหนึ่งโครงการจะมีขนาดเล็ก ผลกระทบต่ออัตราความสำเร็จ .การตรวจสอบยังพบว่า LPO ข้ามโครงสร้างการตัดสินใจจะทำนายความคุ้มครองในแต่ละโครงการ รูปที่ 5 แสดงอัตราความสำเร็จในแต่ละโครงการ เมื่อเหลือจากชุดฝึกอบรม เทียบกับอัตราความสำเร็จของแต่ละเครื่องมือเศโรร์ . " N / A " ระบุว่า randoop ล้มเหลวในขณะที่การสร้างการทดสอบเราจะพบว่า ความสำเร็จ สำหรับประเทือง ( รูปที่ 5 ( ) ) และ randoop ( รูปที่ 5 ( C ) ต้นไม้สูงกว่าเศโรร์ของอัตราความสำเร็จในโครงการมากที่สุด