پيش‌بيني اشكال نرم افزار با الگوريتم هاي نظارتي يادگيري ماشين

قابليت اندازه‌گيري مستعد اشكال بودن ماژول‌هاي نرم‌افزاري بر كاهش هزينه و بهبود فرايند آزمون نرم‌افزار تاثيرگذار است. پژوهش‌هاي گسترده‌اي در حوزه يادگيري ماشين براي يافتن ارتباط بين ويژگي‌هاي ماژول‌هاي نرم‌افزاري و مستعد اشكال بودن آنها صورت پذيرفته است كه حاكي از موثر بودن آن‌ها در اين حوزه بوده است. براين اساس در اين پژوهش به بررسي الگوريتم هاي نظارتي يادگيري ماشين در حوزه اشكال نرم افزار پرداخته شده است. نتايج حاصل از ارزيابي 9 الگوريتم يادگيري نظارتي روي دادگان CM1، KC1، KC2 وPC1 از مجموعه دادگان ناسا در حوزه تشخيص خطا نشان دهنده دقت مناسب اين دسته از الگوريتم ها در تشخيص ماژولهاي مستعد اشكال بوده است. بررسي دقت الگوريتم ها با معيار هاي F-Measure، Accuracy ، Precision و Recall با روش اعتبارسنجي 10-Fold روي اين دادگان نشان داد كه الگوريتم درخت تصميم با دقت 100 درصد روي همه دادگان و با درنظر گرفتن همه معيارهاي ارزيابي ، به نسبت الگوريتم هاي ديگر بهترين دقت ممكن را ارائه داد.