本发明涉及一种基于采样和集成学习的软件缺陷预测方法，针对类不平衡问题，融合SVM SMOTE、超限学习机和随机森林的优点，主要有三个阶段，首先判断数据集是否存在类不平衡问题，如果存在，对其进行SVM SMOTE采样生成新的训练集；其次，基于类平衡的数据集，构建超限学习机分类器和随机森林分类器，并基于这两种分类器的预测结果进行预测；最终判断待测的软件模块是否存在缺陷；设计中考虑了训练集类平衡的情况，较好地融合了超限学习机和随机森林的优点，与单一的超限学习机分类器和随机森林分类器相比，预测性能大幅提高；并且整个算法结构简单，时间复杂度较低。

本发明涉及一种基于采样和集成学习的软件缺陷预测方法，针对类不平衡问题，融合SVM SMOTE、超限学习机和随机森林的优点，主要有三个阶段，首先判断数据集是否存在类不平衡问题，如果存在，对其进行SVM SMOTE采样生成新的训练集；其次，基于类平衡的数据集，构建超限学习机分类器和随机森林分类器，并基于这两种分类器的预测结果进行预测；最终判断待测的软件模块是否存在缺陷；设计中考虑了训练集类平衡的情况，较好地融合了超限学习机和随机森林的优点，与单一的超限学习机分类器和随机森林分类器相比，预测性能大幅提高；并且整个算法结构简单，时间复杂度较低。