标题中的“An empirical study on predicting defect numbers”指的是关于预测软件中缺陷数量的实证研究。描述部分重复了标题的内容，但没有提供额外的信息。因此，重点将放在从提供的内容中提取知识点。
1. 缺陷预测的重要性：文章开篇提到了缺陷预测是软件测试过程中提高针对性和效率的重要活动。这是软件工程领域内一个关键的研究主题，目的在于提前识别软件组件中潜在的缺陷，以便测试人员能够集中资源和努力，对那些更有可能包含缺陷的部分进行深入测试。
2. 预测方法：文中提到了许多方法已经被提出，用监督分类技术在项目内和跨项目的情景中预测软件组件的缺陷倾向性。监督分类技术属于机器学习范畴，常见的有决策树、支持向量机、神经网络等。这些技术被用来训练模型，以预测新的或现有软件组件是否会出现缺陷。
3. 实证研究方法：文章中进行了一项实证研究，主要通过典型回归模型在不同情景下的缺陷数量预测的可行性进行了调查。回归模型是预测分析中的一个工具，被广泛用于统计学中，通过一个或多个自变量预测因变量的值。
4. 实验数据来源：研究使用了来自PROMISE (Predictive Models in Software Engineering) 仓库的六个开源软件项目的数据进行实验。PROMISE是一个广泛用于软件工程实证研究的数据仓库，包含多个项目的缺陷相关数据，用于支持缺陷预测研究和其它软件工程相关的实证研究。
5. 研究成果：实验结果表明，在这两种情景中，使用决策树回归构建的预测模型似乎是最优的预测器。此外，当选择合适的训练数据时，所有预测模型在跨项目情景中产生的结果都可以与（有时甚至优于）项目内情景。这一点提供了一种新的视角来对待新项目和非活跃项目的缺陷数量预测。
6. 跨项目情景与项目内情景：在这里，项目内情景指的是在相同的项目中收集数据进行预测，而跨项目情景则是指在不同的项目之间收集数据进行预测。跨项目预测通常被认为是更具挑战性的，因为不同项目之间的特征可能有较大差异。然而，研究发现，通过选择合适的训练数据，跨项目预测的结果仍然可以是可靠的。
7. 关键词：文中列出的关键词“defect prediction”, “predictive analytics”, “cross-project scenario”, “regression model”总结了研究的核心主题，涵盖了缺陷预测、预测分析、跨项目情景和回归模型。
8. 研究者信息：研究由Mingming Chen和Yutao Ma进行，提供了他们所属机构的信息，例如武汉大学软件工程国家重点实验室和计算机学院，以及武汉钢铁集团公司下属的自动化公司。
总结以上信息，该研究强调了软件缺陷预测在软件开发和维护过程中的重要性，介绍了不同预测方法，特别是回归模型在不同测试情景下的应用，并且基于多个开源软件项目的实际数据，提供了关于缺陷数量预测的实证研究成果。此研究的结果对于指导新项目和非活跃项目的缺陷管理提供了有价值的参考。
