Ensemble feature selection metaheuristics algorithms with layered-recurrent neural network for software fault prediction
Other Title(s)
تجميع خوارزميات اختيار الميزات مع الشبكات العصبية الطبقية المتكررة للتنبؤ بأعطال البرامج
Dissertant
Thesis advisor
University
Birzeit University
Faculty
Faculty of Engineering and Technology
Department
Department of Computer Systems Engineering
University Country
Palestine (West Bank)
Degree
Master
Degree Date
2019
Arabic Abstract
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
English Abstract
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.
Main Subjects
Information Technology and Computer Science
No. of Pages
99
Table of Contents
Table of contents.
Abstract.
Abstract in Arabic.
Chapter One : Introduction.
Chapter Two : Background.
Chapter Three : Related work.
Chapter Four : Research methodology.
Chapter Five : Results.
Chapter Six : Conclusion and future direction.
References.
American Psychological Association (APA)
Maraabah, Subhi. (2019). Ensemble feature selection metaheuristics algorithms with layered-recurrent neural network for software fault prediction. (Master's theses Theses and Dissertations Master). Birzeit University, Palestine (West Bank)
https://search.emarefa.net/detail/BIM-1413009
Modern Language Association (MLA)
Maraabah, Subhi. Ensemble feature selection metaheuristics algorithms with layered-recurrent neural network for software fault prediction. (Master's theses Theses and Dissertations Master). Birzeit University. (2019).
https://search.emarefa.net/detail/BIM-1413009
American Medical Association (AMA)
Maraabah, Subhi. (2019). Ensemble feature selection metaheuristics algorithms with layered-recurrent neural network for software fault prediction. (Master's theses Theses and Dissertations Master). Birzeit University, Palestine (West Bank)
https://search.emarefa.net/detail/BIM-1413009
Language
English
Data Type
Arab Theses
Record ID
BIM-1413009
