ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > تقنيات تقديرجهود تطوير البرمجي...>الوصف

تقنيات تقديرجهود تطوير البرمجيات: دراسة

العنوان بلغة أخرى: Software Development Effort Estimation Techniques: A Survey
المصدر: مجلة التربية والعلم
الناشر: جامعة الموصل - كلية التربية
المؤلف الرئيسي: أحمد، فرح باسل (مؤلف)
مؤلفين آخرين: إبراهيم، لهيب محمد
المجلد/العدد: مج30, ع5
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2021
الصفحات: 80 - 92
ISSN: 1812-125X
رقم MD: 1265213
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EduSearch
مواضيع:
تقنيات التعلم | تطوير التعليم | الإدارات التعليمية | خوارزميات التعلم | خوارزميات التعلم
كلمات المؤلف المفتاحية:
تقدير جهاد البرمجيات | التعلم الآلي | الغابة العشوائية | شجرة القرار | دعم آلات النواقل | Software Effort Estimation (See) | Machine Learning (Ml) | Random Forest | Decision Tree | Support Vector Machines (Svm)
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: يتم استخدام تقدير جهد البرمجيات (Software Effort Estimation (SEE)) للتنبؤ وبشكل دقيق بالجهد من حيث (عدد شهور العمل أو عدد ساعات العمل)، وعلى الرغم من وجود العديد من النماذج فإن تقدير جهد البرمجيات يعد من أصعب المهام لتطوير البرمجيات الناجحة. حيث تم اقتراح العديد من نماذج تقدير جهد البرمجيات ومع ذلك، فإن الإفراط في تقدير جهد البرامج أو النقص في تقدير جهد البرامج يؤدي إلى إلغاء المشروع أو فشل المشروع. إن الهدف الرئيسي لهذا البحث هو العثور على نموذج أداء لتقدير جهد البرمجيات من خلال إجراء دراسة ومقارنات تجريبية لخوارزميات التعلم الآلي. تم استخدام تقنيات التعلم الآلي مع سبع مجموعة بيانات مستخدمة والتي تضمنت Kitchenham, Cocomo81, Kemerer, Maxwell Desharnais, Albrecht, china، وذلك لتحديد أفضل أداء لتقدير جهود تطوير البرمجيات. حيث تم اعتبار الجذر التربيعي لمتوسط الخطأ (RMSE) ومتوسط الخطأ المطلق (MAE)و R-Squared كمقاييس للتقييم التي تم أخذها في الاعتبار. أظهرت النتائج والتجارب مع خوارزميات التعلم الآلي المختلفة لتقدير جهد البرمجيات أن خوارزمية LASSO مع مجموعة بيانات china أنتجت أفضل أداء مقارنة مع خوارزميات التعلم الآلي الأخرى.

Software Effort Estimation (SEE) is used in accurately predicting the effort in terms of (person–hours or person–months). Although there are many models, Software Effort Estimation (SEE) is one of the most difficult tasks for successful software development. Several SEE models have been proposed. However, software effort overestimation or underestimation can lead to failure or cancellation of a project. Hence, the main target of this research is to find a performance model for estimating the software effort through conduction empirical comparisons using various Machine Learning (ML) algorithms. Various ML techniques have been used with seven datasets used for Effort Estimation. These datasets are China, Albrecht, Maxwell, Desharnais, Kemerer, Cocomo81, Kitchenham, to determine the best performance for Software Development Effort Estimation. Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and R-Squared were the evaluation metrics considered. Results and experiments with various ML algorithms for software effort estimation have shown that the LASSO algorithm with China dataset produced the best performance compared to the other algorithms.
ISSN: 1812-125X

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.