استفاده از الگوریتم نیمه نظارتی آموزش همکاری بهبود یافته به منظور پیش بینی خطای نرم افزار با داده خطای محدود

پیش بینی ماژول های مستعد خطا در حالتی که داده های برچسب های خطای ماژول ها محدود هستند یکی از مسائل چالش برانگیز در صنعت نرم افزار است. دیدگاه های دسته بندی با نظارت قادر نیستند که با یادگیری نیمه نظارتی پیش بینی داده خطاهای کم، مدل های پیش بینی با کیفیت بالا ایجاد نمایند. یک راه حل برای چنین حالتی ترکیب داده های برچسب دار با داده های بدون برچسب در مرحله ی آموزش مدل می باشد. روش های دسته بندی همکاری یادگیری ماشین نیمه نظارتی نه تنها داده های برچسب دار بلکه داده های بدون برچسب را نیز به منظور بهبود توانایی تعمیم مورد استفاده قرار می دهند. هدف این مقاله استفاده از روش نیمه نظارتی آموزش-همکاری بهبود یافته برای مسئله ی پیش بینی خطای نرم افزار می باشد در حالتی که داده خطاهای محدود وجود داشته باشد. سپس دقت آن در مقایسه با دیگر روش های نیمه نظارتی ارزیابی خواهد شد. نتایج این پژوهش نشان می دهد که روش نیمه نظارتی آموزش همکاری در مقایسه با دیگر روش ها در بیشتر موارد از دقت بهتری برخوردار است.

کلیدواژه ها:

پیش بینی ، ماژول های مستعد خطا ، روش های دسته بندی همکاری ، یادگیری ماشین نیمه نظارتی