ارزیابی عملکرد روش های پرکاربرد یادگیری ماشین برای پیش بینی نقص نرم افزار

با توسعه فناوری های کامپیوتری ، پیچیدگی سیستم های نرم افزاری افزایش یافته و در نتیجه تعداد نقص های موجود در چرخه حیات توسعه نرم افزار نیز افزایش می یابد. در حال حاضر هزینه شناسایی و رفع نقص های نرم افزاری بار سنگینی بر دوش پروژه های نرم افزاری است . بنابراین ، پیش بینی نقص نرم افزار در مراحل اولیه چرخه عمر توسعه نرم افزار بسیار مهم است . در این پژوهش ، الگوریتم های پرکاربرد یادگیری ماشین و یادگیری عمیق مورد مطالعه قرار گرفته و عملکرد طبقه بندی نقص در ۴ مجموعه داده عمومی استاندارد مورد بررسی قرار می گیرد. علاوه بر این ، از سه روش کلاسیک یادگیری جمعی Bagging)، Boosting و (Stacking برای بهبود عملکرد پیش بینی استفاده شده است . ارزیابی عملکرد با استفاده از معیارهای ارزیابی یادگیری ماشینی نشان می دهند که یادگیری جمعی در بسیاری از موارد کارآیی بهتری نسبت به سایر الگوریتم ها دارد.

کلیدواژه ها:

نقص نرم افزار ، یادگیری جمعی ، معیارهای ارزیابی ، بهبود عملکرد.