СИСТЕМА ПРОГНОЗИРОВАНИЯ ДЕФЕКТОВ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ НА ОСНОВЕ ХОРОШО ОТЛАЖЕННОЙ ТЕХНИКИ «СЛУЧАЙНОГО ЛЕСА» Система прогнозирования дефектов программного обеспечения на основе хорошо отлаженной техники «случайного леса»

Опубликовано в Интеллектуальные технологии на транспорте (сетевой электронный научный журнал), Intellectual Technologies on Transport · Номер 3 · Страницы 51–59 · Рубрика: Статьи
DOI: https://doi.org/10.24412/2413-2527-2023-335-51-59
Получено: 11.01.2025 Одобрено: 11.01.2025 Опубликовано: 11.01.2025 Язык публикаций: ENG
Качество программного обеспечения является основным критерием для повышения спроса пользователей на программное обеспечение. Поэтому компании, занимающиеся программным обеспечением, стремятся обеспечить качество программного обеспечения путем прогнозирования его дефектов на этапе тестирования. Наличие интеллектуальной системы, способной прогнозировать дефекты программного обеспечения, значительно снижает затраты времени и усилий. Несмотря на широкую тенденцию разработки систем прогнозирования дефектов программного обеспечения на основе техники машинного обучения в последние несколько лет, точность этих систем по-прежнему является серьезной проблемой. В данном исследовании для повышения точности прогноза представлена система прогнозирования дефектов программного обеспечения, состоящая из трех этапов. На первом этапе выполняется предварительная обработка данных, которая включает в себя очистку данных, баланс данных, нормализацию данных и выбор признаков. На втором этапе гиперпараметры настраиваются по методике Grid Search. Наконец, хорошо отлаженная техника машинного обучения реализована для предсказания дефектов программного обеспечения. На базе набора данных JM1 были проведены эксперименты, в ходе которых предлагаемая система дала многообещающие результаты в прогнозировании недостатков программного обеспечения. Среди используемых методов хорошо настроенный метод Random Forest с точностью 88,26 % превзошел остальные используемые методы машинного обучения. Проведенное исследование доказывает, что выбор важных особенностей и эффективная гиперпараметрическая настройка методов машинного обучения значительно улучшают точность прогнозирования дефектов программного обеспечения.
машинное обучение, случайный лес, дефекты программного обеспечения, выбор признаков, прогнозирование
Войти или Создать
* Забыли пароль?