A Survey of Data Mining Techniques for SoftwareFault Prediction
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: English
View: 1,492
متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ECDC08_058
تاریخ نمایه سازی: 6 آذر 1393
Abstract:
One of the most important goals of fault prediction is to detect fault prone modules as early as possible in the software development life cycle. Early detection of software faults could lead to reduced development costs and rework effort and more reliable software. So, the study of the fault prediction is important to achieve software quality. Different data mining algorithms are used to extract fault prone modules. In this survey we will discuss data mining techniques that are association mining, classification and clustering for software fault prediction. This helps the developers to detect software faults and correct them.
Keywords:
Authors
Zahra Rahmani Ghobadi
Department of Computer Qazvin Branch, Islamic Azad University
Hasan Rashidi Heramabadi
Department of Mathematics and Computer Science Allameh Tabataba'i University Tehran, Iran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :