KaydedilenlerDerginizi ekleyin

Dergiler / Bilişim Teknolojileri Dergisi / 2019 / Cilt: 12 - Sayı: 3

Kosinüs Benzerliğine Dayalı Çapraz-proje Hata Tahmini

Cosine Similarity-based Cross-project Defect Prediction

Muhammed Maruf ÖZTÜRK
Sayfa
159–167
Yayın Tarihi
2019-07-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen sonuçlara göre ortalama tahmin performansının yapay sinir ağlarında diğer sınıflandırıcılara göre daha yüksek olduğu tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Çapraz-proje tahmini özellikle metrik heterojenliği açısından araştırmacıların ilgisini çekmekte, bu alanda yeni yöntemlere ihtiyaç duyulmaktadır.
📊
Temel Bulgular & Veri:Hata tahmin işleminin farklı projeler üzerinden yürütülmesi geliştiricilere anlamlı bilgiler sunmaktadır.
💡
Sonuç & Katkı:Elde edilen sonuçlara göre ortalama tahmin performansının yapay sinir ağlarında diğer sınıflandırıcılara göre daha yüksek olduğu tespit edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:defect prediction · consine-similarity · cross-project

Özet

Çapraz-proje tahmini özellikle metrik heterojenliği açısından araştırmacıların ilgisini çekmekte, bu alanda yeni yöntemlere ihtiyaç duyulmaktadır. Hata tahmin işleminin farklı projeler üzerinden yürütülmesi geliştiricilere anlamlı bilgiler sunmaktadır. Bu çalışmada, çapraz-proje tahmini için, Kosinüs benzerliğine dayalı metrik eşleştirmesi yapan CSCDP isimli bir algoritma geliştirilmiştir. Yöntem 36 farklı veri setinde üç farklı sınıflandırıcı ile test edilmiştir. Elde edilen sonuçlara göre ortalama tahmin performansının yapay sinir ağlarında diğer sınıflandırıcılara göre daha yüksek olduğu tespit edilmiştir. Ayrıca, seyreklik analizine dayalı olarak seçilen eğitim veri setlerinin test başarısını olumlu etkilediği tespit edilmiştir. Son olarak, CSCDP kullanılarak yürütülen çapraz-proje tahmininin sınıflandırma hatasını Random Forest algoritmasında F-skor parametresi için 0.65 oranında azalttığı gözlemlenmiştir.

Abstract

Cross-project defect prediction has been intriguing researchers in terms of metric heterogeneity and new methods are needed in this field. Performing defect prediction through different projects presents valuable information for developers. In this work, a metric matching algorithm namely CSCDP is presented for cross-project defect prediction. The method is then tested on 36 different projects via three classifiers. According to the obtained results, neural network predictor outperforms the others in terms of mean prediction values. Further, selecting training data sets using sparsity analysis creates a favorable effect on testing performance. Last, CSCDP was able to reduce classification error up to 0.65 in Random Forest for F-score.

🔖

Bu Makaleye Atıf Yap

ÖZTÜRK, M. M. (2019). Kosinüs Benzerliğine Dayalı Çapraz-proje Hata Tahmini. Bilişim Teknolojileri Dergisi, Cilt: 12 - Sayı: 3, 159–167. https://ajindex.com/articles/251731

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. J. Nam, W. Fu, S. Kim, T. Menzies, T., L. Tan, “Heterogeneous defect prediction”, IEEE Transactions on Software Engineering,(1), 2017
  2. S. Wang, L. Taiyue, L. Tan. "Automatically learning semantic features for defect prediction", Software Engineering (ICSE), IEEE/ACM 38th International Conference, 297-308, 2016
  3. S. Herbold, "Training data selection for cross-project defect prediction", Proceedings of the 9th International Conference on Predictive Models in Software Engineering, ACM, 6, 2013
  4. Y. Zhang, X. Lo, J. Sun, “An empirical study of classifier combination for cross-project defect prediction”, Computer Software and Applications Conference (COMPSAC), 2, 264- 269, 2015
  5. C. Ni, "A Cluster Based Feature Selection Method for CrossProject Software Defect Prediction", Journal of Computer Science and Technology, 32(6), 2017
  6. Q. Yu, J. Shujuan, Y. Zhang, "A feature matching and transfer approach for cross-company defect prediction", Journal of Systems and Software, 132, 2017
  7. Q. Yu, S. Jiang, J. Qian, “Which is more important for cross project defect prediction: instance or feature?”, Software Analysis, Testing and Evolution (SATE), International Conference, 90-95, 2016
  8. Y. Zhou, Y. Yang, H. Lu, L. Chen, Y., Zhao, “How Far We Have Progressed in the Journey?, An Examination of Cross-Project Defect Prediction”, ACM Transactions on Software Engineering and Methodology (TOSEM), 27(1), 1, 2018 [9] X. Xia, L. O. David, S. J. Pan, N. Nagappan, X.Wang, “Hydra: Massively compositional model for cross-project defect prediction”, IEEE Transactions on software Engineering, 42(10), 2016
  9. H. V. Nguyen, L. Bai, “Kosinüs similarity metric learning for face verification”, Asian conference on computer vision, 709- 720, 2010
  10. T. Zimmermann, N. Nagappan, H. Gall, E. Giger, B. Murphy, “Cross-project defect prediction: a large scale experiment on data vs. domain vs. process”, Proceedings of the the 7th joint meeting of the European software engineering conference and the ACM SIGSOFT symposium on The foundations of software engineering, 91-100, 2009
  11. F. Zhang, Q. Zheng, Y. Zou, A. E. Hassan, “Cross-project defect prediction using a connectivity-based unsupervised classifier”, Proceedings of the 38th International Conference on Software Engineering, 309-320, 2016
  12. D. Ryu, J. I. Jang, J. Baik, “A transfer cost-sensitive boosting approach for cross-project defect prediction”, Software Quality Journal, 25(1), 2017
  13. W. N Poon, K. E