دانلود مقاله ترجمه شده انتخاب ویژگی و داده های نامتوازن: مشکلات پیش بینی نقص نرم افزار

چکیده

جامعه داده کاوی و یادگیری ماشین معمولاً با دو مشکل اصلی مواجه است: کار کردن با داده­ های نا متوازن و انتخاب بهترین ویژگی ­ها برای یادگیری ماشین. این مقاله فرایندی را ارائه می ­کند که شامل یک روش انتخاب ویژگی برای انتخاب ویژگی­ های مهم و یک روش نمونه برداری از داده برای برطرف کردن عدم توازن کلاس است. دامنه کاربرد این تحقیق، مهندسی نرم افزار به ویژه پیش ­بینی کیفیت نرم افزار با استفاده از مدل­ های دسته ­بندی است. وقتی از انتخاب ویژگی و نمونه ­برداری داده استفاده می ­کنیم باید سناریوهای مختلفی را در نظر بگیریم. چهار سناریوی ممکن عبارتند از 1) انتخاب ویژگی بر اساس داده­ های اصلی و مدل سازی (پیش ­بینی نقص) بر اساس داده ­های اصلی؛ 2) انتخاب ویژگی بر اساس داده­ های اصلی و مدل سازی بر اساس داده ­های نمونه برداری شده؛ 3) انتخاب ویژگی بر اساس داده ­های نمونه برداری شده و مدل سازی بر اساس داده ­های اصلی؛ و 4) انتخاب ویژگی بر اساس داده­ های نمونه برداری شده و مدل سازی بر اساس داده ­های نمونه برداری شده. هدف اصلی این تحقیق مقایسه کارایی پیش­ بینی نقص نرم افزار در مدل­ های مبتنی بر این چهار سناریو است. نمونه مطالعاتی از نه مجموعه داده­ ی سنجش نرم افزاری تشکیل شده که از منبع پروژه­ های نرم افزاری PROMISE به دست آمده ­اند. نتایج تجربی نشان می­ دهند که انتخاب ویژگی بر اساس داده ­های نمونه برداری شده نسبت به انتخاب ویژگی بر اساس داده­ های اصلی کارایی بیشتری دارد و مدل­ های پیش ­بینی نقص صرف نظر از اینکه داده­ های آموزشی با استفاده از داده ­های اصلی یا نمونه ­برداری شده ایجاد شوند، کارایی مشابهی دارند.

1-مقدمه

هدف داده ­کاوی و یادگیری ماشین، استخراج اطلاعات مخفی اما مفید از منابع داده است. در مورد جنبه­ های مختلف داده­ کاوی و یادگیری ماشین از جمله پیش­ پردازش داده، آموزش مدل، ارزیابی مدل و تشخیص و اعتبارسنجی الگو، تحقیقات زیادی انجام شده است. ما در این کار به فعالیت­ های پیش­ پردازش داده، به ویژه انتخاب ویژگی از یک مجموعه داده می ­پردازیم که مشکل عدم توازن کلاس دارد. ..