بهبود پیش بینی نقص نرم افزار مبتنی بر اثربخشی متوازن سازی دادگان بر ماشین یادگیری سریع غیرخطی

مشکلات رایج سیستم های نرم افزاری ، و وجود نقص در این سیستم ها است . پدیدار شدن نقص در سیستم های نرم افزاری به معنای عدم اعتبار محصول است . روش های معتبرسازی از جمله تست نرم افزار و بازرسی کد را می توان برای تشخیص نقص نام برد ، که این روش ها از نظر زمانی و منابع بسیار پر هزینه هستند . توسعه یک سیستم نرم افزاری بدون نقص بسیار دشوار است .بنابراین پیش بینی ماژول های مستعد نقص ، نقش مهمی در سیستم های نرم افزاری دارا می باشند . ر این پژوهش جهت بهبود دقت پیش بینی ماژول های مستعد نقص از روش پادگیری ماشین سریع ( ELM ) روی دادگان متوازن شده استفاده شده است . جهت متوازن سازی دادگان ؛ بصورت تکراری ؛ تکنیک افزایش مصنوعی نمونه های کلاس اقلیت ( SMOTE ) بکار گرفته شده است . روش ELM با هسته های مختلفی روی دادگان ناسا ارزیابی شده است . نتایج تجربی بدست آمده نشان می دهد ، که هسته ی RBF مناسب ترین هسته می باشد . علاوه بر این ، این نتایج بیانگر موثر بودن ترکیب روش ELM و تکنیک متوازن سازی ، روی پیش بینی ماژول های مستعد نقص است .

Keywords:

پیش بینی نقص نرم افزار , یادگیری ماشین سریع ( ELM ) , ( SMOTE ) , هسته RBF , دادگان ناسا