پیش‌بینی اشکال نرم افزار با الگوریتم های نظارتی یادگیری ماشین

قابلیت اندازه‌گیری مستعد اشکال بودن ماژول‌های نرم‌افزاری بر کاهش هزینه و بهبود فرایند آزمون نرم‌افزار تاثیرگذار است. پژوهش‌های گسترده‌ای در حوزه یادگیری ماشین برای یافتن ارتباط بین ویژگی‌های ماژول‌های نرم‌افزاری و مستعد اشکال بودن آنها صورت پذیرفته است که حاکی از موثر بودن آن‌ها در این حوزه بوده است. براین اساس در این پژوهش به بررسی الگوریتم های نظارتی یادگیری ماشین در حوزه اشکال نرم افزار پرداخته شده است. نتایج حاصل از ارزیابی 9 الگوریتم یادگیری نظارتی روی دادگان cm1، kc1، kc2 وpc1 از مجموعه دادگان ناسا در حوزه تشخیص خطا نشان دهنده دقت مناسب این دسته از الگوریتم ها در تشخیص ماژولهای مستعد اشکال بوده است. بررسی دقت الگوریتم ها با معیار های f-measure، accuracy ، precision و recall با روش اعتبارسنجی 10-fold روی این دادگان نشان داد که الگوریتم درخت تصمیم با دقت 100 درصد روی همه دادگان و با درنظر گرفتن همه معیارهای ارزیابی ، به نسبت الگوریتم های دیگر بهترین دقت ممکن را ارائه داد.