Geri Dön

Better methods for configuring case-based reasoning systems

Durum tabanlı muhakeme sistemleri için daha iyi yapılandırma yöntemleri

  1. Tez No: 255892
  2. Yazar: EKREM KOCAGÜNELİ
  3. Danışmanlar: YRD. DOÇ. DR. AYŞE BAŞAR BENER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2009
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 77

Özet

Yazılımda efor tahmini, yazılım mühendisliğindeki temel sorunlardan biri olagelmiştir ve dahaönceki calışmalarcoğunlukla modellerin tahmin kesinliğini arttırarak sonuçlardakiyüksek dalgalanmaları gidermeye odaklanmıştır. Bu modeller tümsel tahmin doğruluğunadayanan MRE (görece hata büyüklüğü) veya Pred(r) gibi değerlendirme kriterleri kullanılarakdeğerlendirilir.Uygulayıçılar ve araştırmacılar belli özellikteki yazılım efor tahmin modellerineihtiyaç duyarlar. Bu özellikler: 1) Modeli kurmak için kullanılan veriyi anlayabilmekve 2) kesin tahminler sunabilmek. Biz bu çalışmamızda açgözlü yığınlayçı gruplamaalgoritmasını (AYG) yazılımda efor tahmini alanına uyarlıyoruz ve modelimizi (AğaçTahmin ve Değerlendirme Bilgisi - ATDB) kurmak için onu benzerlik tabanlı tahminleyiciolarak kullanıyoruz. AYG tabanlı modelimizi, ATDB, kullanarak her bir testprojesi için bir benzerlik sayısı (k) sağlamayı ve tüm veri kümelerinde diğer k-tabanlıyöntemlerden daha düşük MRE değerleri elde etmeyi başardık.Durum Tabanlı Muhakeme (DTM) yöntemleriyle ilgili olarak özellik altkümesiseçme, ölçeklendirme, kullanılacak benzerlik ölçüsü ve kullanılacak benzerleri (uygunk değeri) seçme gibi pek çok sorun bulunmaktadir. Bizim çalışmamızdaki temelamacımız uygun k-değeri bulmak olduğundan, DTM yöntemleriyle ilgili diğer sorunlarbu çalışmamızda irdelenmeyecektir.ATDB ile veriyi daha iyi anlamak ve her test örneği için farklı sayıda benzerler seçmekmümkün olmuştur. ATDB, test projesi için alakasız benzerleri budayarak kullanılacakuygun sayıdaki benzerleri bulur. Bu yaklaşım tahminsel kesinlik bakımından tüm diğerk-tabanlı DTM yöntemlerinden 100% ve üzerinde daya iyi sonuçlar vermiştir.

Özet (Çeviri)

Software effort estimation has been one of the major challenges in softwareengineering and previous research has mainly focused on addressing the large deviationproblem in estimations by improving prediction accuracies of models. These modelsare evaluated using measures such as MRE or pred(r), which all assess the models onthe basis of overall prediction accuracy.Practitioners and researchers require a software effort estimation model with thefollowing properties: 1)Understand the data that is used to build the model and 2)provide accurate estimations. In our study, we adapt greedy agglomerative clusteringalgorithm (GAC) to software effort estimation domain and use it as an analogy basedestimator to build our model: Tree Estimation and Assessment Knowledge (TEAK).By using GAC based model, TEAK, we are able to provide an analogy number (k)to be used for each individual test project and get lower MRE values than any otherk-based method in all datasets.There are multiple problems with case based reasoning (CBR) methods suchas feature subset selection, scaling, similarity measure and number analogies to use(suitable k value). As our intention in this research was to focus on the problem offinding the suitable k value, we do not address other CBR related problems and stickto the dynamic selection of a suitable k value for each single test instance.With TEAK it is possible to better understand the data on which effort estimationis to be done and use different number of analogies (k value) for each test instance.TEAK prunes irrelevant analogies in train set for a test project and thereby finds thenumber of analogies to be used during estimation. This approach has outperformed allother k-based CBR methods in terms of predictive accuracy up to more than 100%.

Benzer Tezler

  1. Meta-analysis of microRNA and gene selection using machine learning

    Makine öğrenmesi kullanarak microRNA meta-analizi ve gen seçimi

    ELNAZ PASHAEI

    Doktora

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. NİZAMETTİN AYDIN

  2. Ark PVD yöntemiyle tin kaplanmış kesici takımların karakterizasyonu ve performanslarının incelenmesi

    Başlık çevirisi yok

    M.CENK TÜRKÜZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Metalurji Mühendisliğiİstanbul Teknik Üniversitesi

    Metalurji Mühendisliği Ana Bilim Dalı

    PROF. DR. E. SABRİ KAYALI

  3. Meme kanseri teşhisinde termoakustik görüntüleme yöntemlerinin uygulanması

    Thermoacoustic imaging methods for breast cancer detection

    ULAŞ TAŞKIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZGÜR ÖZDEMİR

  4. Basınçlı döküm yöntemiyle üretimde OTHEA ve HAA teknikleri uygulaması ile ürün ve proses optimizasyonu

    Ooptimising product and process by fmea and fta techniques on die casting production

    BURAK PULATKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Metalurji Mühendisliğiİstanbul Teknik Üniversitesi

    Metalurji Mühendisliği Ana Bilim Dalı

    PROF. DR. YILMAZ TAPTIK