مشخصات مقاله:
عنوان فارسی مقاله:
قیاس مبنی بر تخمین تلاش: یک روش جدید برای کشف مجموعه شباهت ها از ویژگی های مجموعه داده
عنوان انگلیسی مقاله:
Analogy-based effort estimation: a new method to discover set of analogies from dataset characteristics
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات، طراحی و تولید نرم افزار
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1.مقدمه
2. مسئله پژوهش
3. آثار مرتبط
4.روش شناسی
4.1 پیشنهاد دو بخش کردن الگوریتم K-medoids
4.2. پیشنهاد روش شناسی K-ABE
4.3. طراحی تجربی
5. نتایج
6. بحث و بررسی و یافته ها
6.1. یافته ها
6.2. تهدید برای اعتبار
7. نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Analogy-based effort estimation (ABE) is one of the efficient methods for software effort estimation because of its outstanding performance and capability of handling noisy datasets. Conventional ABE models usually use the same number of analogies for all projects in the datasets in order to make good estimates. The authors’ claim is that using same number of analogies may produce overall best performance for the whole dataset but not necessarily best performance for each individual project. Therefore there is a need to better understand the dataset characteristics in order to discover the optimum set of analogies for each project rather than using a static k nearest projects. The authors propose a new technique based on bisecting k- medoids clustering algorithm to come up with the best set of analogies for each individual project before making the prediction. With bisecting k- medoids it is possible to better understand the dataset characteristic, and automatically find best set of analogies for each test project. Performance figures of the proposed estimation method are promising and better than those of other regular ABE models.
1 Introduction
Analogy-based effort estimation (ABE) is simplified a process of finding nearest analogies based on notion of retrieval by similarity [1–4]. It was remarked that the predictive performance of ABE is a dataset dependent where each dataset requires different configurations and design decisions [5–8]. Recent publications reported the importance of adjustment mechanism for generating better estimates in ABE than null-adjustment mechanism [1, 9, 10]. However, irrespective of the type of adjustment technique followed, the process of discovering the best set of analogies to be used is still a key challenge.
چکیده
برآورد تلاش مبتنی بر قیاس (ABE) به دلیل عملکرد فوق العاده و اداره مجموعه داده‌های شلوغ یکی از روش‌های کارآمد برای نرم افزار تخمین تلاش است. مدل مرسوم ABE معمولا از همان تعداد شباهتی استفاده می‌کند که برای رسیدن به تخمین‌های خوب برای تمام پروژه‌ها در مجموعه داده مناسب است. این نویسندگان ادعا می‌کنند که استفاده از همان تعداد شباهت ممکن است بهترین عملکرد کلی را برای تمام مجموعه داده تولید کنند اما لزوما بهترین عملکرد را برای هر پروژه منحصر به فرد تولید نمیکنند. بنابراین نیاز به درک بهتر ویژگی‌های مجموعه داده به منظور کشف مجموعه‌ای مطلوب از شباهتها برای هر پروژه به جای استفاده از یک شخص K نزدیک ترین پروژه وجود دارد. نویسندگان یک فن آوری جدید را پیشنهاد کرده‌اند که بر اساس دو بخش کردن الگوریتم خوشه‌ایِ K-medoids به کار می‌آید تا با بهترین مجموعه‌ای از شباهتها برای هر پروژه‌ی منحصر به فرد قبل از پیش بینی استفاده شود. دو بخش کردنِ K-medoids ممکن است به درک بهتر ویژگی مجموعه داده، و خودکار پیدا کردن بهترین مجموعه‌ای از شباهتها برای هر پروژه‌ی آزمایشی مفید باشد. روش تخمین پیشنهاد شده‌ی آمار و ارقام عملکرد امیدبخش است و بهتر از سایر مدل های مرسوم ABE است.
1.مقدمه
برآورد تلاش مبتنی بر قیاس(ABE) یک فرایند ساده شده‌ی پیدا کردن نزدیکترین شباهت بر اساس مفهوم بازیابی شباهت است]1-4[.این مسئله اظهار داشت که عملکرد پیش بینیِ ABE یک مجموعه داده‌ی وابسته است که در آن هر مجموعه داده نیاز به پیکربندی های مختلف و تصمیم گیری هایی در موردِ طراحی دارد]5-8[. انتشارات اخیر گزارش کرده است که مکانیزم تنظیم برای تولید تخمین بهتر در ABE مهم تر از مکانیزم بدونِ تنظیم است]1-9-10[. با این حال، با صرف نظر از نوع فن‌آوری تنظیم، روند کشف بهترین مجموعه ای از شباهتهای مورد استفاده قرار گرفته شده به عنوان کلید چالش است.