بتول لکزائی - کارشناس ارشد مهندسی نرم افزار، فارغ التحصیل دانشگاه شهید بهشتی تهران

با توسعه فناوریهای کامپیوتری، پیچیدگی سیستمهای نرم افزاری افزایش یافته و در نتیجه تعداد نقصهای موجود در چرخه حیات توسعه نرم افزار نیز افزایش می یابد. این نقصها کیفیت نرمافزار را کاهش داده و عامل اصلی شکست نرمافزار محسوب میشوند . به همین جهت، همواره پیشبینی نقص های موجود در محصولات نرمافزاری یکی از مسائل قابل توجه در زمینه مهندسی نرم افزار بوده و میتواند تاثیر مهمی در کاهش هزینه ها و بهبود کیفیت نرم افزار داشته باشد. تاکنون روشهای مختلفی روی مجموعه داده های مختلف و با معیارهای ارزیابی مختلف ارائه شده است که هر یک از این روشها به نوبه خود توانستهاند با پیش بینی ماژولهای مستعد خطا، گامی موثر در بهبود کیفیت و کارایی محصولات نرم افزاری بردارند. در این مقاله، به بررسی و مرور مدلهای مختلف ارائه شده جهت پیشبینی نقص نرم افزار که مبتنی بر الگوریتم های یادگیری ماشین هستند، پرداخته ایم و این روشها را بر اساس روش یادگیری ماشین مورد استفاده، معیار ارزیابی و مجموعه داده مورد استفاده، مقایسه کرده ایم.

پیشبینی نقص، یادگیری ماشین، مهندسی نرم افزار