تحلیل تطبیقی ساختاری روشهای یادگیری ماشین، تجمیعی و یادگیری عمیق در پیش بینی باگ نرم افزار

پیش بینی باگ های نرم افزاری نقش مهمی در بهبود کیفیت و کاهش هزینه های توسعه دارد. در این پژوهش عملکرد سه دسته اصلی الگوریتم ها شامل روش های یادگیری ماشین کلاسیک، روش های تجمیعی و مدل های یادگیری عمیق در پیش بینی باگ نرم افزار به صورت تطبیقی تحلیل شده است. مطالعات منتشر شده بین سال های ۲۰۲۰ تا ۲۰۲۵ که از مجموعه داده های استاندارد PROMISE و NASA استفاده کرده اند مورد بررسی قرار گرفت. نتایج تحلیل نشان می دهد روش های تجمیعی در اغلب پژوهش ها عملکرد پایدارتر و دقت بالاتری در بازه ۸۶ تا ۹۶٪ نسبت به مدل های منفرد ارائه کرده اند، در حالی که مدل های یادگیری عمیق عمدتا در شرایط وجود داده های حجیم عملکرد رقابتی نشان داده اند. در نهایت یک چارچوب تصمیم گیری مبتنی بر ویژگی های پروژه برای انتخاب مدل مناسب ارائه شده است.

کلیدواژه ها:

پیش بینی باگ ، نرم افزار ، یادگیری ماشین ، روش های تجمیعی ، یادگیری عمیق ، تحلیل تطبیقی