چکیده: در عصر تکنولوژی با پیشرفت روز‌افزون صنعت نرم‌افزار و افزایش استفاده از محصولات نرم‌افزاری و همچنین بزرگ‌شدن نرم‌افزارها از لحاظ داده و کاربران، بروز و مشاهده خطا نیز امری اجتناب‌ناپذیر است. از این رو اهمیت پیش‌بینی خطای نرم‌افزار بیش‌ از پیش احساس می‌شود. یکی از روش‌های پیش‌بینی خطای نرم‌افزار طبقه‌بندی کلاس دودویی است که مشخص می‌کند ماژول نرم‌افزاری دارای خطا یا بدون خطاست. از جمله چالش‌های پیش رو در این زمینه عدم توازن بین کلاس‌های دارای خطا و بدون خطا در مجموعه داده خطای نرم‌افزار است به طوری که کلاس دارای خطا به مراتب داده‌ی کمتری نسبت به کلاس بدون خطا دارد و این عدم توازن باعث ایجاد مدلی با دقت پیش‌بینی پایین می‌شود. همچنین مدل‌های پیش‌بینی خطای قبلی از مجموعه داده‌هایی که با استفاده از پروژه‌های کوچک و قدیمی تولید شده‌اند، استفاده نمودند. در این تحقیق ما برای توسعه مدل پیش‌بینی خطای نرم‌افزار از مجموعه داده جدیدی به نام BugHunter استفاده کردیم که از پروژه‌های بزرگ، منبع‌باز و به‌روز جاوا تولید شده است. برای حل مشکل عدم توازن داده‌ها به کمک شبکه‌های مولد متخاصم داده‌ها را افزایش دادیم و پس از ایجاد تعادل بین کلاس‌ها با استفاده از تکنیک‌ها و الگوریتم‌های یادگیری ماشین درخت تصمیم، جنگل تصادفی، K-نزدیکترین همسایه و رگرسیون لجستیک مدل‌سازی و پیش‌بینی خطا را انجام دادیم. این پژوهش با ترکیب شبکه‌های مولد متخاصم و الگوریتم‌های یادگیری ماشین توانسته عملکرد پیش‌بینی خطای نرم‌افزار را افزایش دهد به طوری که بالاترین مقدار برای معیار f-measure توسط مدل پیشنهادی 81% است و نسبت به روش‌های مشابه و پژوهش‌های قبلی، عملکرد بهتری داشته است.