靜態(tài)分析工具可以幫助開發(fā)人員在項目編碼初期定位可能存在缺陷的代碼。然而有研究表明，此類工具往往會報告大量的警告，且其中大部分為誤報警告。為了增強靜態(tài)分析工具的可用性，研究者們通常采用統(tǒng)計和機器學習方法將警告分類為有效警告和誤報警告。然而，現(xiàn)有警告分類方法并未考慮大量誤報警告造成警告數(shù)據(jù)類不平衡問題，以及誤分類代價不等的問題。鑒于此，分別將BP神經(jīng)網(wǎng)絡(luò)和基于過采樣、閾值操作、欠采樣方法的代價敏感神經(jīng)網(wǎng)絡(luò)應(yīng)用到有效警告的分類中。實驗結(jié)果對比發(fā)現(xiàn)，相比BP神經(jīng)網(wǎng)絡(luò)，基于代價敏感神經(jīng)網(wǎng)絡(luò)方法在有效警告查全率方面平均提高了44. 07%，且當有效警告被誤分類的代價高于一定值時，代價敏感分類方法能得到更低的分類代價。