پیش بینی اشکال نرم افزار با الگوریتم های نظارتی یادگیری ماشین

قابلیت اندازه گیری مستعد اشکال بودن ماژول های نرم افزاری بر کاهش هزینه و بهبود فرایندآزمون نرم افزار تاثیر گذار است.پژوهش های گسترده ای در حوزه یادگیری ماشین برای یافتن ارتباط بین ویژگی های ماژول های نرم افزاری و مستعد اشکال بودن آن ها صورت پذیرفته است که حاکی از موثر بودن آن ها در این حوزه بوده است.بر این اساس در این پژوهش به بررسی الگوریتم های نظارتی یادگیری ماشین در حوزه اشکال نرم افزار پرداخته شده است.نتایج حاصل از ارزیابی ۹ الگوریتم یادگیری نظارتی روی دادگانCM۱،KC۱،KC۲ و PC۱ از مجموعه دادگان ناسا در حوزطه تشخیص خطا نشان دهنده دقت مناسب این دسته از الگوریتم ها در تشخیص ماژول های مستعد اشکال بوده است.بررسی دقت الگوریتم ها با معیارهای F-Measure ،Accuracy ،Precision وRecall با روش اعتبار سنجی ۱۰-Fold روی این دادگان نشان داد که الگوریتم درخت با دقت ۱۰۰ درصد روی همه دادگان و با در نظر گرفتن همه معیارهای ارزیابی،به نسبت الگوریتم های دیگر بهترین دقت ممکن را ارائه داد

کلیدواژه ها:

تشخیص اشکال نرم افزار ، یادگیری ماشین ، یادگیری نظارتی ، ارزیابی ، ماژول نرم افزاری