بهبود دقت پیش بینی تعداد نقص نرم افزار، مبتنی بر الگوریتم های تلفیقی رگرسیون و درخت تصادفی

وجود نقص ها در سیستم نرم افزاری یک تهدید جدی برای کیفیت نرم افزار به شمار می رود. زیرا موجب انطباق ناپذیری محصول با نیاز مشتری می شود. پیش بینی نقص نرم افزار یکی از زمینه های مهم در مهندسی نرم افزار است که برای بهبود کیفیت نرم افزار، به کار می رود. پیدا کردن مدل های مطلوب، برای پیش بینی نقص نرم افزار یکی از مهم ترین اهداف مهندسین کامپیوتر است. مسیله اصلی در این پژوهش، بهبود دقت پیش بینی تعداد نقص در نرم افزار است. به همین منظور سه الگوریتم رگرسیون،شبکه عصبی مصنوعی چند لایه و درخت تصمیم به داده ها اعمال شدند. دو الگوریتم رگرسیون و شبکه عصبی مصنوعی چند لایه، که دارای بیشترین میزان دقت در اجرا روی داده های آموزشی بودند به عنوان الگوریتم پایه برای متد تلفیق انتخاب شدند. خروجی این دو الگوریتم به روش میانگین وزنی با هم تلفیق شده و برای پیش بینی نهایی روی داده های آزمون مورد استفاده قرار گرفتند. ما از سه معیار متوسط خطای نسبی، متوسط خطای مطلق و معیار completness برای مقایسه کارآیی الگوریتم ها استفاده کردیم. در نهایت متد تلفیقی با الگوریتم های پیشنهادی، در پیش-بینی تعداد نقص به میزان 4 درصد برای مجموعه داده xerces1.4 دقیق تر عملکرده است.

Keywords:

پیش بینی , نقص نرم افزار , تکنیک یادگیری