پیشبینی خطاهای نرمافزاری با استفاده از انتخاب ویژگی و الگوریتمهای یادگیری ماشین
پیشبینی خطاهای نرمافزاری با استفاده از انتخاب ویژگی و الگوریتمهای یادگیری ماشین
نگین رمضانی لکندشت1
1) کارشناسی ارشد ، مهندسی نرم افزار کامپیوتر ، دانشگاه پیام نور تهران شمال ، تهران ، ایران
کد IOI مقاله
:
AAHD-ABKBKH
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
پیشبینی نقص نرمافزار نقش کلیدی در بهبود کیفیت نرمافزار و تخصیص بهینه منابع آزمایش ایفا میکند. با این حال، وجود ویژگیهای نامربوط و اضافی در مجموعه دادههای نرمافزاری میتواند پیچیدگی مدل را افزایش داده و دقت پیشبینی را کاهش دهد. در این مقاله، تأثیر ده روش انتخاب ویژگی از سه رویکرد فیلترینگ، ماسکینگ و جاسازی بر عملکرد شش طبقهبندیکننده یادگیری ماشین، شامل رگرسیون لجستیک، جنگل تصادفی، ماشین بردار پشتیبان، k-نزدیکترین همسایه، بیز ساده و XGBoost، از طریق یک مطالعه تجربی مقایسهای بررسی شده است. آزمایشها بر روی چهار مجموعه داده CM1، KC1، KC2 و PC1 از مخزن PROMISE انجام شده است.
نتایج نشان میدهد که کاهش فضای ویژگی نه تنها دقت پیشبینی را کاهش نمیدهد، بلکه در بسیاری از موارد آن را بهبود میبخشد. ترکیب اطلاعات متقابل و اهمیت ویژگی مبتنی بر جنگل تصادفی، پایدارترین نتایج را ارائه داد و در ترکیب با XGBoost به میانگین امتیاز F1 برابر با 0.742 دست یافت که 9.4٪ بهبود نسبت به استفاده از همه ویژگیها است. علاوه بر این، زیرمجموعههای ویژگیهای انتخابشده بهطور متوسط ۶۸٪ کاهش ابعاد را به همراه داشتند. اعتبارسنجی آماری با آزمون فریدمن و تحلیل تعقیبی نمنی در سطح معنیداری ۰.۰۵، صحت این یافتهها را تأیید میکند. یافتههای این مطالعه، راهنماییهای عملی برای محققان و متخصصانی که مدلهای یادگیری ماشین را برای پیشبینی نقص نرمافزار توسعه میدهند، ارائه می دهد.
کلمات کلیدی : پیشبینی نقص نرمافزار انتخاب ویژگی یادگیری ماشین معیارهای کد استاتیک کاهش ابعاد اکسجیبوست