软件开发的基本目标是提前发现并修复在各种情况下可能出现的缺陷。 许多软件开发活动是由个人执行的，这可能会导致开发过程中发生不同的软件错误，从而在不久的将来引起失望。 因此，在第一阶段对软件缺陷的预测已成为软件工程领域的主要兴趣。 在过去的二十年中，已经提出了各种依赖于软件指标的软件缺陷预测（SDP）方法。 装袋，支持向量机（SVM），决策树（DS）和随机森林（RF）分类器可以很好地预测缺陷。 本文研究并比较了10个NASA数据集上的这些监督式机器学习和集成分类器。 实验结果表明，在大多数情况下，与其他方法相比，RF是性能最好的分类器。
