Towards Enhancing the Software Defects Prediction by Features Selection Optimization and Ensembles of Multilayer Perceptron Neural Networks
| العنوان بلغة أخرى: |
نحو تحسین التنبؤ بعیوب النظام بواسطة اختیار المیزات الأمثل ومجموعات من متعدد الطبقات المستقبلات الشبكات العصبیة |
|---|---|
| المؤلف الرئيسي: | البنا، محمد احمد (مؤلف) |
| مؤلفين آخرين: | الحنيطي، عمار محمد (مشرف), هديب، أمجد (مشرف) |
| التاريخ الميلادي: |
2015
|
| موقع: | عمان |
| الصفحات: | 1 - 62 |
| رقم MD: | 1046835 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | الجامعة الاردنية |
| الكلية: | كلية الدراسات العليا |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
2
| المستخلص: |
يعتبر التنبؤ بعيب البرمجية عملية أساسية تساعد أفرقة التطوير على توجيه أنشطة الاختبار نحو الوحدات المعرضة للعيب. يقوم التنبؤ بعيب البرمجية بحفظ الوقت، والجهد، ومصادر البرمجية، ويعتبر كعامل يسهم في جودة البرمجية. تقترح هذه الرسالة منهجية للتنبؤ بعيب البرمجية، والتي تتضمن اختيار الميزات الأكثر ارتباطا والبحث الجيني، وإعادة تشكيل البيانات، ومجموعات من متعددة الطبقات المستقبلات الشبكات العصبية. وبالتالي، تم تشكيل ثلاثة سيناريوهات لهذه المنهجية من خلال اختيار الميزات، وإعادة تشكيل البيانات، وتغيير أسلوب المجموعات المستخدم مع متعدد الطبقات المستقبلات الشبكات العصبية. تم إجراء التجارب باستخدام أربع قواعد بيانات قدمت بواسطة الإدارة الوطنية للملاحة الفضائية والفضاء. تحتوي هذه القواعد على بيانات العيوب ومقاييس متعددة للبرمجيات، كما أنها تعاني من عدم توازن الفئة والأبعاد العالية. أظهرت نتائج التجارب أن جميع السيناريوهات أضافت تحسينات خاصة في مقياس (Recall). ويعتبر سيناريو (Adaboost.M1) الأفضل بينهم، حيث أعطى بمعدل 93.65% (Recall، و 87.83% (Precision)، و 90.76% (Accuracy)، و 90.65% (F-measure). كما تم إعطاء نتائج مشابهة من السيناريو الذي يتضمن (Bagging)، بينما أعطى سيناريو (Decorate) أقل النتائج. وأظهرت النتائج أيضا أن مقاييس التصميم (Design metrics) ذات أهمية منخفضة بالنسبة لعيوب البرمجيات. ساهمت كل من اختيار الميزات والعينات الفرعية العشوائية في تحسين النتائج والتقليل من وقت التعليم لأساليب المجموعات. أظهرت (AUC) للسيناريوهات المقترحة نتائج ممتازة حيث أعطت بمعدل 0.96 (Bagging)، و 0.958 (Adaboost.M1)، و 0.937 (Decorate)، وتغلبت على بعض منهجيات (SDP) المقترحة من قبل باحثين آخرين. |
|---|
عناصر مشابهة
-
Diabetes Prediction Using Multilayer Perceptron Neural Network with Arithmetic and Memetic Algorithms based on Features Selection
بواسطة: السلاق، طارق توفيق أحمد منشور: (2022) -
Cardiovascular Disease Prediction Using Multilayer Perceptron Neural Network with Arithmetic Optimization Algorithm Based Features Selection
بواسطة: المناصير، هيثم سلمان سليم منشور: (2022) -
Improving Software Defects Prediction Using Feature Selection and Data Mining Techniques
بواسطة: اللطايفة، مروة عبدالله محمد منشور: (2018) -
Kidney Disease Prediction Using Elitist-Ant System Algorithm with Multilayer Perceptron Neural Network
بواسطة: الصلاحات، أحلام يونس منشور: (2022) -
Traceability Enhancements on Source Code Analysis Tools to Improve Software Defects Prediction
بواسطة: Al Zoubi, Qosai Mwafeq منشور: (2013)
