Software defect prediction performance monitoring of deep and machine learning models on NASA promise datasets
NASA promise veri setlerinde derin ve makine öğrenme modellerinin yazılım hata tahmini performansının izlenmesi
- Tez No: 844968
- Danışmanlar: DOÇ. DR. SEFER KURNAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yazılım güvenilirliğinin ve kalite güvencesinin büyük önem kazandığı bir çağda, bu çalışma, yazılım hatalarını tahmin etmek için gelişmiş makine öğrenimi modellerini kullanıyor ve böylece yazılım güvenilirliğini artırmadaki potansiyel uygulamalarının daha iyi anlaşılmasına katkıda bulunuyor. Araştırmanın odak noktası, çeşitli NASA yazılım projelerinden elde edilen verilerin bir koleksiyonu olan PROMISE20 veri kümesidir. Bu veri seti üç alt veri setine (CM1, JM1, KC1) bölünmüştür; her bir örnek ikili bir bağımlı değişken (kusur durumunu gösterir) ve Halstead ve McCabe statik kod ölçümlerine dayalı bağımsız değişkenler ile işaretlenmiştir. Çalışma, özellikle LSTM ve LSTM-GRU olmak üzere derin öğrenme modelleri ile XGBoost Sınıflandırıcı gibi geleneksel makine öğrenme modelleri arasında karşılaştırmalı bir analiz gerçekleştirmektedir. Yazılım hatalarını tahmin etme konusundaki yeterlilikleri, doğrulukları ve F1 puanları değerlendirilerek ölçülür. İnceleme sonrasında, LSTM ve LSTM-GRU derin öğrenme modelleri, sırasıyla %88'lik doğruluk oranları ve 0,89 ve 0,90'lık F1 puanları göstererek üstün tahmin performansıyla daha iyi performans gösteriyor. Geleneksel makine öğrenimi alanında XGBoost Sınıflandırıcı, 0,88'lik doğruluk oranıyla en iyi performansı gösteren ürün olarak ortaya çıktı. Ancak bulgular aynı zamanda daha fazla araştırmaya duyulan ihtiyacın da altını çiziyor. Çalışma, yazılım kusur tahmini için en uygun model seçimini belirlemek amacıyla ek veri kümelerinin incelenmesi, çeşitli modellerin araştırılması, model hiperparametrelerinin optimize edilmesi ve model yorumlanabilirliğinin geliştirilmesinin gerekliliğine işaret etmektedir. Bu araştırma, yazılım güvenilirliği ve hata tahmini konusunda devam eden söylemi zenginleştirerek, makine öğrenimini kullanarak yazılım hata tahmini alanında gelecekteki araştırmalar için sağlam bir temel sunuyor.
Özet (Çeviri)
In an era where software reliability and quality assurance have gained paramount importance, this study employs advanced machine learning models to predict software defects, thereby contributing to a refined understanding of their potential applications in enhancing software reliability. The focal point of the investigation is the PROMISE20 dataset, a collection of data from various NASA software projects. This dataset is segmented into three sub-datasets (CM1, JM1, KC1), with each instance marked by a binary dependent variable (indicating defect status) and independent variables based on Halstead and McCabe static code metrics. The study undertakes a comparative analysis between deep learning models, specifically LSTM and LSTM-GRU, and traditional machine learning models such as the XGBoost Classifier. Their proficiency in predicting software defects is gauged by assessing their accuracy and F1-scores. Upon examination, LSTM and LSTM-GRU deep learning models outperform with superior predictive performance, demonstrating accuracy rates of 88% and F1-scores of 0.89 and 0.90, respectively. In the realm of traditional machine learning, the XGBoost Classifier emerged as the top performer, boasting an accuracy rate of 0.88. However, the findings also underscore the need for further exploration. The study points to the necessity of examining additional datasets, exploring diverse models, optimizing model hyperparameters, and enhancing model interpretability to ascertain the optimal choice of model for software defect prediction. This research enriches the ongoing discourse in software reliability and defect prediction, offering a robust foundation for future investigations in the field of software defect prediction using machine learning.
Benzer Tezler
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Landsat uydusu aracılığı ile elde edilen görüntülerin sınıflandırılmaları ve bunlara ilişkin bilgisayar programlarının hazırlanması
Başlık çevirisi yok
G. FERZAN KÜÇÜKA
Yüksek Lisans
Türkçe
1985
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİS PÜSKÜLCÜ
- Computer aided design of lumped and distributed broadband matching and filtering networks
Başlık çevirisi yok
ADNAN KÖKSAL
Yüksek Lisans
İngilizce
1987
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NEVZAT YILDIRIM
- Metalik B.C.C. yapıdaki arayer atomları ile dislokasyonların elastik etkileşmelerinden doğan enerji değerlerinin hesaplanması
Başlık çevirisi yok
M. EYÜPHAN YAKINCI
Yüksek Lisans
Türkçe
1987
Fizik ve Fizik Mühendisliğiİnönü ÜniversitesiFizik Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA DİKİCİ