Combining machine learning with use-case point for enhancing software estimation

العناوين الأخرى

الجمع بين التعلم الآلي و نقطة حالة الاستخدام لتحسين تقدير البرامج

مقدم أطروحة جامعية

al-Rababiah, Nimah Salih Ahmad

مشرف أطروحة جامعية

Bani Mustafa, Ahmad

الجامعة

جامعة الإسراء

الكلية

كلية تكنولوجيا المعلومات

القسم الأكاديمي

قسم هندسة البرمجيات

دولة الجامعة

الأردن

الدرجة العلمية

ماجستير

تاريخ الدرجة العلمية

2022

الملخص العربي

بعد تقدير البرامج أحد الأنشطة المحورية في مشاريع هندسة البرمجيات.

ومع ذلك، فإن التنبؤ بجهد البرمجيات يمثل تحديا نظرا لتعقيد الحلول البرمجية و عدم وضوحها وتنوعها وخبراتها المتضمنة و تقنياتها التطبيقية يهدف هذا العمل إلى تحسين دقة التنبؤ لتقدير البرامج باستخدام خوارزميات التعلم الآلي (ML) واستنادا إلى تحليل نقاط حالة الاستخدام (UCP) الذي يستخدم عادة في تقدير البرامج الموجهة للكائنات تضمن هذا البحث تطبيق تسع خوارزميات الانحدار و التصنيف : أشجار القرار (K-Nearest Neighbour (KNN) (DT، الغابات العشوائية (RF) التدرج العشوائي اللائق (SGD) آلة المتجهات الداعمة (SVM)، الشبكات العصبية الاصطناعية (ANN)، الانحدار اللوجستي Naive Bayes و استقراء قاعدة CN2.

تم تطبيق هذه التقنيات على مجموعة بيانات تاريخية تمثل العديد من مشاريع البرامج الموجهة الكائنات.

تتكون مجموعة البيانات من 70 مشروعا تم وصفها باستخدام 37 سمة مرتبطة يمتطلبات البرامج و عملية التطوير و تطبيق المجال و العوامل التقنية و البيئية للمشروع و السمات الأخرى المحسوبة بناءً على تحليل UCP أظهرت النتائج التجريبية في هذا العمل أنه في نموذج الانحدار سجل نموذج RF 0.86 في (R-Squared Error )R ، بينما سجل نموذج SGD 0.83%.

حققت RF و KNN و DT أفضل نتائج التصنيف عند تطبيقها على مجموعة بيانات مستويات الجهد الثلاثة مع درجة دقة التصنيف (CA) 84.28 و 82.85% و 82.85% على التوالي.

حققت DT و KNN و RF أيضا أداءً ممتازا عند تطبيقها على مجموعة بيانات مستويات الجهد الخمسة بدرجة %85.71 و 77.14% و 72.85% على التوالي.

تم العثور على درجات التقييم هذه أفضل بكثير من تلك التي تم تحقيقها باستخدام حسابات طريقة UCP.

الملخص الإنجليزي

Software estimation is one of the pivotal activities in software engineering projects.

However, predicting software effort is challenging due to the complexity, intangibility, and diversity of software solutions and the associated expertise and applied technologies.

This work aims at improving the prediction accuracy of software estimation using Machine Learning (ML) algorithms and is based on Use-Case Points analysis (UCP), which is typically used in object-oriented software estimation.

This research involved applying nine regression and classification algorithms: Decision Trees (DT), K-Nearest Neighbor (KNN), Random Forests (RF), Stochastic Gradient Decent (SGD), Support Vector Machine (SVM), Artificial Neural Networks (ANN), Logistic Regression, Naïve Bays and CN2 Rule Induction.

These techniques were applied to a historical dataset consisting of 70 projects that are described using 37 attributes, which are related to software requirements, development process, domain application, project technical and environmental factors, and other attributes computed based on UCP analysis.

The experimental results in this work showed that in the regression model, the RF model scored 0.86% in R-Squared Error (R2), while the SGD model scored 0.83%.

RF, KNN, and DT achieved the best classification results when applied to the three effort levels dataset with a Classification Accuracy (CA) score of 84.28%, 82.85% and 82.85% respectively.

DT, KNN, and RF also achieved excellent performance when applied to the five effort levels dataset with a CA score of 85.71%, 77.14% and 72.85% respectively.

These evaluation scores were found to be significantly better than those achieved using the UCP method calculations.

التخصصات الرئيسية

تكنولوجيا المعلومات وعلم الحاسوب

عدد الصفحات

107

قائمة المحتويات

• APA
• MLA
• AMA

لغة النص

الإنجليزية

نوع البيانات

رسائل جامعية

رقم السجل

BIM-1429107