دسته بندی ماژول های نرم افزاری با روش ترکیبی حذف داده های پرت و ماشین بردار پشتیبان

کشف نقص های موجود در ماژول های نرم افزاری در مراحل اولیه تو سعه نرم افزار موجب افزایش کیفیت محصول نهایی و مانع از شکست پروژه می شود. از این رو پیش بینی ماژول هایی که مستعد نقص هستند یکی از موارد مهم پژوهشی در حوزه مهندسی نرم افزار می باشد. از آنجا که وجود نمونه های پرت در مجموعه داده آموزشی سبب کاهش کارایی مدل می گردد، باید رویکردی برای حذف آنها پیش از ساخت مدل در نظر گرفت. در این مقاله به بررسی تاثیر وجود نمونه های پرت در مجموعه داده آموزشی پرداخته شده و سپس رویکردی ترکیبی مبتنی بر فاکتور مشاهده پذیری نمونه ها و ماشین بردار پشتیبان به ترتیب برای حذف نمونه های دور افتاده و پیش بینی ماژول های نقص دار ارایه شده است. نتایج بدست آمده از انجام آزمایش های مختلف بر اساس معیارهای دقت، نرخ مثبت کاذب، نرخ منفی کاذب و نرخ خطا حاکی از موثر بودن روش پیشنهادی در حذف نمونه های پرت و در نتیجه بهبود کارایی مدل های تشخیص نقص در نرم افزار می باشد.

Keywords:

تشخیص نقص , ماژول های نرم افزاری , یادگیری ماشین , نمونه های پرت , فاکتور مشاهده پذیری