PulseAugur
中
实时 19:30:48
English(EN) Improving Requirements Classification with SMOTE-Tomek Preprocessing

SMOTE-Tomek提升软件需求分类准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员通过将SMOTE-Tomek预处理技术应用于PROMISE数据集，改进了软件需求的分类。该方法有效解决了数据集中存在的类别不平衡问题，该数据集包含969个被归类为功能性或非功能性的需求。该方法显著提高了分类准确性，逻辑回归的准确率达到了76.16%，而基线准确率为58.31%，证明了机器学习在需求工程中提供可扩展且可解释的解决方案的实用性。 AI

影响 通过解决数据不平衡问题，增强了软件工程中机器学习模型的性能。

排序理由 这是一篇研究论文，详细介绍了一种提高特定数据集分类准确性的新方法。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

SMOTE-Tomek提升软件需求分类准确性

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
这是一篇研究论文，详细介绍了一种提高特定数据集分类准确性的新方法。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, product
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
140 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Barak Or ·

    使用 SMOTE-Tomek 预处理改进需求分类

    arXiv:2501.06491v3 Announce Type: replace-cross Abstract: This study emphasizes the domain of requirements engineering by applying the SMOTE-Tomek preprocessing technique, combined with stratified K-fold cross-validation, to address class imbalance in the PROMISE dataset. This da…

相关实体

相关话题