در این مقاله، از روش های پیشرفته یادگیری ماشین برای پیشبینی نقص های نرم افزاری در مراحل اولیه توسعه پروژه های نرم افزاری پیچیده استفاده شده است. ابتدا داده های آماری و اندازه گیری های کد تاریخی پروژه مورد مطالعه گردآوری و پیش پردازش شدند و با استفاده از خوشه بندی K-means برچسب اولیه کلاس بندی نرم افزارها تعیین گردید. سپس چندین الگوریتم طبقه بندی نظیر SVM، جنگل تصادفی، نایی بیز و روش های تجمیعی (انسمبل) بر روی این داده ها آموزش داده شدند. نتایج آزمایش ها نشان داد مدل های جنگل تصادفی و سایر روش های ترکیبی عملکرد بهتری از خود نشان می دهند، به طوری که دقت پیشبینی برخی مدل ها به حدود ۹۹٪ نزدیک است. علاوه بر این، شواهد تجربی حاکی از آن بود که به کارگیری یادگیری ماشین در این حوزه می تواند به صرفه جویی قابل توجه در هزینه و زمان آزمون نرم افزار و بهبود کیفیت نهایی محصول بیانجامد. با این حال، چالش هایی از جمله فقدان داده های کافی برچسب خورده و نامتوازن بودن مجموعه داده ها وجود دارد. در نهایت راهکارهایی مانند به کارگیری داده های مصنوعی، روش های تعادل دهی و استفاده از مدل های عمیق پیشرفته پیشنهاد شده است تا امکان کاربرد عملی این روش ها در صنایع بزرگ فراهم شود.
لینک مقاله:
