یک مدل بهینه مبتنی بر شبکه عصبی در حوزه داده کاوی جهت پیش بینی نقایص نرم افزار

متدهای بسیاری جهت پیش بینی نقص نرم افزار وجود دارد. برای شروع فرآیند پیش بینی، باید به مجموعه داده ای با کیفیت که شامل اطلاعات کاملی از ویژگی هایی خاص از نرم افزار است، دست پیدا کرد. به این ویژگی ها اصطلاحا متریک های نرم افزار می-گویند. پس از آن، مدل مناسب جهت پیش بینی نقص نرم افزار انتخاب می گردد. الگوریتم های بسیاری مانند روش های آماری، داده کاوی و غیره به عنوان مدل های پیش بینی نقص نرم افزار مورد استفاده قرار می گیرند. همچنین ابزارهای بسیاری نظیر شبکه عصبی ، الگوریتم ژنتیک ، درخت تصمیم و ماشین بردار پشتیبان نیز برای نتیجه گیری بهتر به کمک آمده اند. با آنالیز مقادیر متریک های انتخاب شده توسط الگوریتم مورد نظر، پیش بینی نقص نرم افزار انجام می گیرد. پارامترهایی مانند دقت، جامعیت و منحنی ROC نیز جهت نشان دادن کیفیت پیش بینی و در واقع ارزیابی عملکرد مدل پیش بینی استفاده می شوند. تحقیقات صورت گرفته نشان می دهد که یک منبع مهم تعیین بخش های مستعد نقص، سابقه رفتاری یک نرم افزار است. با دسترسی به بانک سوابق یک نرم افزار و استفاده از تکنیک های داده کاوی احتمال پیش بینی مناسب تقویت می گردد. در این مقاله تلاش می شود تا با انتخاب تکنیک های مناسب در حوزه داده کاوی و اعمال اصلاحاتی در این زمینه، باعث بهبود در کیفیت پارامترهای ارزیابی مدل نظیر ROC شویم.

Keywords:

پیش بینی , نقص , نرم افزار , داده کاوی , متریک , دقت , جامعیت