دانلود مقاله ترجمه شده پیش بینیِ قابل درک تلاش و نقص نرم افزار: یک روش داده کاوی

پیش­بینی تلاش و نقص نرم افزار یک فعالیت مهم برای کاهش هزینه ­های یک پرو­ژه نرم افزاری است. هدف پیش­بینی تلاش نرم افزار، پیش­ بینی تلاش لازم برای انجام یک پروژه نرم افزاری است، اما هدف از پیش­بینی نقص نرم افزار، تشخیص ماژول­ های در معرض خطا است. ما در این تحقیق هر دو موضوع را مد نظر قرار داده، و برای آن از روش ­های مختلف داده ­کاوی استفاده می­کنیم. مدل­های پیش­بینی علاوه ­بر دقیق بودن باید قابل درک نیز باشند، یعنی کاربر باید بتواند انگیزه پیش­بینی مدل را درک کند. متاسفانه قابل درک بودن معمولاً قربانی کارایی می­شود و بالعکس. ما برای رفع این مشکل از جنگل­ های تصادفی (RFها) و ماشین­های بردار پشتیبان رگرسیون (SVRها) که از الگوریتم استخراج قانون ALPA استفاده می­کنند، درخت­ هایی را استخراج می­کنیم. این روش درخت­ هایی می­سازد (با استفاده از C4.5 و REPTree) که تا حد امکان از مدل جعبه-سیاه (SVR، RF) تقلید می­کنند. روش ارائه شده روی مجموعه داده ­های عمومی و یک سری مجموعه داده جدید که ما از منبع اندروید به آنها افزوده ­ایم، به کار گرفته شده است. جای شگفتی است که درختانی که با ALPA از مدل­ های جعبه-سیاه استخراج شده ­اند، نه تنها قابل درک هستند و توضیح می­دهند که مدل جعبه-سیاه چگونه (بیشترِ) پیش­بینی­های خود را انجام می­دهد، بلکه دقیق­تر از درختانی هستند که مستقیماً از داده ­ها به دست آمده­اند. 

1-مقدمه

طبق اطلاعاتِ شرکت تحقیقات و مشاوره فناوری اطلاعاتِ گارتنر، بازار جهانی توسعه نرم افزار در سال 2010، 244 میلیارد دلار ارزش داشته است که اهمیت این حوزه را نشان می­دهد [1]. هنوز هم صنعت نرم افزار از افزایش مکرر هزینه رنج می­برد [2، 3، 6]. پیامد این موضوع، مشکلات جدی برای شرکت­ های نرم افزاری است و حتی گاهی موجودیت آنها را به خطر می­اندازد [5]. بنابراین، یک شرکت نرم افزاری باید هزینه ­ها را تا حد امکان کاهش دهد. برای این­کار، فعالیت­ هایی مانند برآورد تلاش نرم افزاری و پیش­بینی خطای نرم افزار ضروری است، که موضوع این مقاله نیز هست...