ارایه مدل آمیخته طبقه بندی کننده بیز ساده برای پیش بینی خطای نرم افزار

طبقه بندی کننده بیز ساده (NB (به دلیل سادگی و قدرت پیش بینی بالا مورد توجه محققین بسیاری قرار گرفته است. علی رغم سادگی و قدرت پیش بینی بالا، دقت بسیار قابل توجه ای در مقایسه با روش های پیچیده تر مانند شبکه عصبی و درخت تصمیم دارد. با این وجود، این طبقه بندی کننده دارای فرضیه استقلال شرطی ویژگی ها به شرط متغیر کلاس است که این فرض در دنیای نرم افزار صادق نیست. در این مقاله هدف سست کردن فرض استقلال شرطی NB با اضافه کردن مفهوم متغیر های پنهان می باشد. از این رو، یک متغیر پنهان بر اساس معماری پیشنهادی به شبکه NB اضافه شده است و سپس از الگوریتم امید ریاضی- بیشینه سازی (EM (برای یادگیری پارامتر های متغیر پنهان استفاده شده است. روش پیشنهادی با طبقه بندی کننده هایNB ،بیز ساده درختی(TAN (و رگرسیون لجیستیک(LogReg (بر اساس ناحیه زیر منحنی (AUC (مقایسه شده است. برای انجام شبیه سازی ها از مجموعه داده های PC3 ،PC4 و PC5 از مجموعه داده های ناسا استفاده شده است. نتایج از شبیه سازی ها نشان دهنده این است که روش پیشنهادی در مجموعه داده های استفاده شده دقت بالاتری نسبت به NB دارد. همچنین دقت MLNB از LogReg و TAN در مجموعه داده های PC3 و PC4 بیشتر است.

کلیدواژه ها:

پیش بینی خطای نرم افزار ، طبقه بندی کننده های شبکه بیزین ، یادگیری ماشین ، داده کاوی