| Identifikační kód | RIV/00216224:14330/14:00076796 |
|---|
| Název v anglickém jazyce | Towards an Improvement of Bug Severity Classification |
|---|
| Druh | D - Článek ve sborníku |
|---|
| Jazyk | eng - angličtina |
|---|
| Obor - skupina | I - Informatika |
|---|
| Obor | IN - Informatika |
|---|
| Rok uplatnění | 2014 |
|---|
| Kód důvěrnosti údajů | S - Úplné a pravdivé údaje o výsledku nepodléhající ochraně podle zvláštních právních předpisů. |
|---|
| Počet výskytů výsledku | 1 |
|---|
| Počet tvůrců celkem | 2 |
|---|
| Počet domácích tvůrců | 1 |
|---|
| Výčet všech uvedených jednotlivých tvůrců | Nivir Kanti Singha Roy (státní příslušnost: IT - Italská republika)
Bruno Rossi (státní příslušnost: IT - Italská republika, domácí tvůrce: A) |
|---|
| Popis výsledku v anglickém jazyce | Predicting the severity of bugs has been found in past research to improve triaging and the bug resolution process. For this reason, many classification/prediction approaches emerged over the years to provide an automated reasoning over severity classes.In this paper, we use text mining together with bi-grams and feature selection to improve the classification of bugs in severe/non-severe classes. We adopt the Naive Bayes (NB) classifier considering Mozilla and Eclipse datasets commonly used in relatedworks. Overall, the results show that the application of bi-grams can improve slightly the performance of the classifier, but feature selection can be more effective to determine the most informative terms and bi-grams. The results are in any case project-dependent, as in some cases the addition of bi-grams may worsen the performance. |
|---|
| Klíčová slova oddělená středníkem | Bug Severity Classification; Text Mining; Feature Selection |
|---|
| Stránka www, na které se nachází výsledek | - |
|---|
| DOI výsledku | 10.1109/SEAA.2014.51 |
|---|