<span lang="AR-SA">پیش بینی نقص نرم افزار با استفاده از یادگیری ماشین ترکیبی خودکار و تکامل ویژگی تطبیقی: رویکردی نوین با دقت و توضیح پذیری بالا

پیش بینی نقص نرم افزار یکی از موضوعات مهم در مهندسی نرم افزار است که به بهبود کیفیت و کاهش هزینه های توسعه کمک می کند. در این پژوهش، روشی به نام یادگیری ماشین ترکیبی خودکار با تکامل ویژگی تطبیقی معرفی شده که با ترکیب پیش پردازش داده ها شامل حذف ویژگی های بی واریانس، پر کردن مقادیر گمشده با میانه و نرمال سازی، تکامل پویای ویژگی ها، متعادل سازی پیشرفته با NearMiss، بهینه سازی چند-هدفه با Optuna، و ایجاد مدل گروهی جدید، دقت و توضیح پذیری را در پیش بینی نقص نرم افزار بهبود می بخشد. این روش روی مجموعه داده KC۱ از مخزن PROMISE ناسا آزمایش شده و با تولید یازده ویژگی تطبیقی شامل نسبت های متریک، ترکیب های تعاملی، و تبدیل های لگاریتمی، و همچنین متعادل سازی کلاس ها، به صحت ۹/۹۶ درصد، معیار F۱ برابر ۸/۹۶ درصد، یادآوری ۸/۹۳ درصد، و AUC برابر ۲/۹۷ درصد دست یافته است. تحلیل توضیح پذیری با SHAP TreeExplainer نشان داد که ویژگی های تعداد خطوط کد (loc) و معیار t نقش کلیدی در پیش بینی ها دارند. مقایسه با مدل های پایه (مانند رگرسیون لجستیک و جنگل تصادفی) و چندین مطالعه پیشین نشان دهنده برتری روش پیشنهادی در صحت و بهبود قابل توجه در معیار یادآوری است که برای شناسایی نقص های واقعی اهمیت دارد. این روش با ارائه پایداری بالا در اعتبارسنجی ده تایی، توضیح پذیری قوی، و بهبود معیارهای کلیدی مانند یادآوری، رویکردی جامع برای پیش بینی نقص نرم افزار ارائه می دهد و می تواند در کاربردهای صنعتی و پژوهشی مورد استفاده قرار گیرد.

کلیدواژه ها:

یش بینی نقص نرم افزار ، یادگیری ماشین ، تکامل ویژگی ، بهینه سازی چند هدفه ، تحلیل توضیح پذیری