دانلود رایگان مقاله انگلیسی طبقه بندی با گزینه ای برای پیش بینی نرم افزار نقص رد

دانلود رایگان مقاله انگلیسی طبقه بندی با گزینه ای برای پیش بینی نرم افزار نقص رد


چکیده
زمینه

پیش بینی نقص نرم افزار (SDP) یک وظیفه مهم در مهندسی نرم افزار است. همراه با برآورد تعداد نقص باقی مانده در سیستم های نرم افزاری و کشف انجمن نقص، طبقه بندی نقص استعداد ماژول های نرم افزار نقش مهمی در پیش بینی نرم افزار نقص بازی می کند. چند روش یادگیری ماشینی استفاده شده است که مسئولیت رسیدگی به نقص استعداد ماژول های نرم افزار به عنوان یک مشکل طبقه بندی. این نوع از “بله” یا “نه” تصمیم اشکال مهم در روند تصمیم گیری است و اگر دقیق ممکن است misclassifications منجر شود. به بهترین دانش ما، روش های موجود در طبقه بندی ماژول به طور کامل خودکار تکیه می کنند و یک راه برای ترکیب دانش اضافی در طول فرایند طبقه بندی ارائه نمی دهد. این دانش می تواند در اجتناب از misclassifications در مواردی که ماژول های سیستم نمی تواند در یک راه قابل اعتماد طبقه بندی می شود مفید است.
هدف

ما به دنبال توسعه یک روش SDP که (من) دارای یک رد گزینه در طبقه بندی به منظور بهبود قابلیت اطمینان در فرایند تصمیم گیری؛ و (ب) امکان به تعویق انداختن تصمیم نهایی مربوط به ماژول های رد برای تجزیه و تحلیل متخصص و یا حتی برای طبقه بندی دیگری با استفاده از دانش دامنه اضافی.
روش

ما توسعه یک روش SDP نام rejoELM و گونه آن، IrejoELM. هر دو روش بر دستگاه وزن شدید یادگیری (ELM) با رد گزینه ای است که باعث می شود به تعویق انداختن تصمیم نهایی غیر طبقه بندی ماژول ها، آنهایی که رد کرد، به لحظه ای دیگر ساخته شده است. در حالی که rejoELM هدف به حداکثر رساندن دقت برای یک نرخ رد، IrejoELM از F-اندازه گیری حداکثر. از این رو، IrejoELM یک جایگزین برای طبقه بندی با رد گزینه برای مجموعه داده های نامتوازن می شود.
نتایج

rejoEM و IrejoELM در پنج مجموعه داده از معیارهای کد منبع استخراج شده از پروژه های نرم افزاری منبع باز دنیای واقعی تست شده است. نتایج نشان می دهد که rejoELM دارای دقت برای چند نرخ رد است که قابل مقایسه با برخی طبقه بندی دولت از هنر، با رد گزینه است. اگر چه IrejoELM نشان می دهد دقت پایین برای چند نرخ رد، آن را به وضوح بهتر از تمام روش های دیگر زمانی که F-اندازه گیری به عنوان یک متریک عملکرد استفاده می شود.
نتیجه

می توان نتیجه گرفت که rejoELM یک جایگزین معتبر برای طبقه بندی با رد مشکلات گزینه هنگامی که کلاس ها تقریبا به همان اندازه نشان داده است. از سوی دیگر، IrejoELM نشان داده شده است به بهترین جایگزین برای طبقه بندی با رد گزینه در مجموعه داده نامتوازن. از آنجا که مشکلات SDP معمولا به عنوان مشکلات یادگیری نامتعادل مشخص، استفاده از IrejoELM توصیه می شود.


%d8%af%d8%a7%d9%86%d9%84%d9%88%d8%af-%d8%b1%d8%a7%db%8c%da%af%d8%a7%d9%86-%d8%a7%d8%b5%d9%84-%d9%85%d9%82%d8%a7%d9%84%d9%87-%d8%a7%d9%86%da%af%d9%84%db%8c%d8%b3%db%8c




دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *