Ensemble feature selection metaheuristics algorithms with layered-recurrent neural network for software fault prediction

العناوين الأخرى

تجميع خوارزميات اختيار الميزات مع الشبكات العصبية الطبقية المتكررة للتنبؤ بأعطال البرامج

مقدم أطروحة جامعية

Maraabah, Subhi

مشرف أطروحة جامعية

Mafarjah, Majdi

الجامعة

جامعة بيرزيت

الكلية

كلية الهندسة و التكنولوجيا

القسم الأكاديمي

دائرة هندسة أنظمة الحاسوب

دولة الجامعة

فلسطين (الضفة الغربية)

الدرجة العلمية

ماجستير

تاريخ الدرجة العلمية

2019

الملخص العربي

تبعا لنظرية لا غذاء مجاني ( NFL )، لا توجد خوارزمية واحدة قادرة على حل كل مشاكل التحسين [ 54 ].

العديد من نماذج التعلم الآلي المقترحة من الباحثين أظهرت نتائج جيدة في توقع مواقع الأخطاء البرمجية في المشاريع البرمجية.

و لكن، لا يوجد نموذج واحد قادر على توقع الأخطاء في جميع المشاريع بنفس الكفاءة.

وفقا لخصائص بيانات المشروع يتم تحديد نموذج التعلم المناسب في هذا العمل، تم دمج ثلاثة من أفضل خوارزميات اختيار الخصائص ( FS ) مثل (A and GA )مع ثلاثة من مصنفات التعلم الآلي (ANN, DT and KNN ) من أجل دراسة أفضل مزيج من التسعة احتمالات المتاحة، ثم تم طرح نموذج جديد لتوقع الأخطاء في المشاريع البرمجية عن طريق دمج نتائج التسعة نماذج المدروسة، يتم الدمج عن طريق أخذ الخصائص الاكثر استخداما نموذج المقترح و القائم على دمج النتائج اظهر تحسيناً على مقياس المساحة تحت المنحنى ( AUC ) بنسبة 0.10 على الأقل.

هذا البحث درس العلاقة بين خوارزميات البحث و المصنفات و اقترح نموذجا جديدا لدمج النتائج

الملخص الإنجليزي

Accоrding tо Nо Frее Lunch (NFL) thеоrеm, thеrе is nо аlgоrithm thаt is еfficiеnt in sоlving аll оptimizаtiоn prоblеms [54].

Sеvеrаl machine learning (ML) prеdictivе mоdеls hаvе bееn prоpоsеd by rеsеаrchеrs аnd thеsе mоdеls have shоwеd gооd rеsults in prеdicting fаulty mоdulеs in sоftwаrе prоjеcts.

Hоwеvеr, nоnе оf thеm prоvеd tо bе gооd fоr аll sоftwаrе prоjеct typеs.

Dеpеnding оn thе dаtаsеt chаrаctеristics, bеst machine lеаrning vаriеs frоm dаtаsеt tо dаtаsеt.

In this work, three of the best wrapper feature selection (FS) algorithms (PSO, ACO and GA) are combined together with three machine learning (ML) classifiers (ANN, DT and kNN) to study the best combination out of the nine cross combinations, then a novel approach that combines the results of the nine combinations based on a majority voting technique of the best selected features were introduced and results found to outperform other FS model with significant difference, majority technique increase the average area under curve (AUC) with 0.10 at minimum.

This research studied the relation between the search algorithm and the classifier and proposed a new approach of combining the results of the different FS combinations.

التخصصات الرئيسية

تكنولوجيا المعلومات وعلم الحاسوب

عدد الصفحات

99

قائمة المحتويات

• APA
• MLA
• AMA

لغة النص

الإنجليزية

نوع البيانات

رسائل جامعية

رقم السجل

BIM-1413009