TAILIEUCHUNG - Nghiên cứu mô hình máy học kết hợp trong dự đoán đoán lỗi phần mềm

Bài viết nghiên cứu và phân tích các thuật toán trong mô hình học máy kết hợp được sử dụng trong dự đoán lỗi phần mềm như Bagging, AdaBoost, Vote, Stacking và so sánh hiệu quả của chúng so với một thuật toán đơn được lựa chọn xem xét là NaiveBayes. | 158 KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2020 CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC Nghiên Cứu Mô Hình Máy Học Kết Hợp Trong Dự Đoán Đoán Lỗi Phần Mềm Hà Thị Minh Phương1 Phan Thị Quỳnh Hương2 1 2 Trường ĐH Công nghệ Thông tin và Truyền thông Việt Hàn Đại học Đà Nẵng htmphuong ptqhuong @ Tóm tắt. Dự đoán lỗi phần mềm là một nhiệm vụ quan trọng phát triển phần mềm giúp giảm thời gian và tiết kiệm chi phí trong việc bảo trì phần mềm. Hiện nay việc kết hợp nhiều kĩ thuật học máy được áp dụng vào bài toán dự đoán lỗi đã được nghiên cứu để nâng cao chất lượng phần mềm. Trong đó mô hình máy học kết hợp ensemble learning đã trở thành một hướng nghiên cứu nổi bật trong lĩnh vực dự đoán lỗi. Trong bài báo này chúng tôi nghiên cứu và phân tích các thuật toán trong mô hình học máy kết hợp được sử dụng trong dự đoán lỗi phần mềm như Bagging AdaBoost Vote Stacking và so sánh hiệu quả của chúng so với một thuật toán đơn được lựa chọn xem xét là NaiveBayes. Thực nghiệm được tiến hành dựa trên các tập dữ liệu khai thác từ kho dữ liệu NASA s Metric Data Program gồm các tập CM1 PC1 KC1 KC2 và JM1. Từ kết quả thực nghiệm cho thấy các thuật toán trong mô hình máy học kết hợp cho đạt hiệu quả cao hơn so với sử dụng một thuật toán đơn như NaiveBayes trong dự đoán lỗi. Ngoài ra Vote thì cho kết quả tốt hơn so với các thuật toán còn lại trong mô hình máy học kết hợp. Từ khóa mô hình học máy kết hợp bagging boosting stacking adaboost vote. Abstract - Software fault prediction plays an important role in software engineering that reduces maintenance development time effort and money. The combination of various machine learning tech- niques has been researched to improve software quality. In which ensemble learning has become an outstanding research trend in fault prediction. In the paper we conduct a comparative study of various ensemble methods in fault prediction such as Bagging AdaBoost Vote and Stacking and we also compared their performance to the model used single classifier

• Cơ sở dữ liệu
• Dự đoán lỗi phần mềm
• Bảo trì phần mềm
• Mô hình học máy
• Kỹ thuật học máy
• Lĩnh vực dự đoán lỗi
• Xử lý dữ liệu không cân bằng
• Bài toán dự đoán lỗi phần mềm
• Random Undersampling
• Random Oversampling
• Báo cáo khoa học
• Đề tài khoa học và công nghệ
• Đề tài khoa học và công nghệ cấp Cơ sở
• Đo mã nguồn hướng đối tượng
• Phần mềm Java
• Đặc trưng mã nguồn phần mềm
• Thuật toán giám sát