بهینه‌سازی تخمین هزینه نرم‌افزار با تنظیم هایپرپارامترهای mlp از طریق grid search

تخمین هزینه نرم‌افزار نقش مهمی در مدیریت پروژه‌های نرم‌افزاری ایفا می‌کند. تاکنون روش‌های مختلفی برای بهبود دقت تخمین هزینه ارائه شده‌اند که از میان آن‌ها، الگوریتم‌های یادگیری ماشین و داده‌کاوی توجه زیادی را به خود جلب کرده‌اند. در میان این الگوریتم‌ها، شبکه عصبی پرسپترون چندلایه (mlp) به دلیل قابلیت یادگیری روابط پیچیده، به‌عنوان یکی از مدل‌های پرکاربرد شناخته می‌شود. بااین‌حال، عملکرد این مدل به شدت وابسته به تنظیم صحیح هایپرپارامترها است. در این پژوهش، برای بهبود دقت تخمین، از روش grid search برای تنظیم بهینه‌ی پارامترهای mlp استفاده شده است. آزمایش‌ها روی شش مجموعه داده‌ی شناخته‌شده در حوزه‌ی تخمین هزینه نرم‌افزار (desharnais، maxwell، kemerer، albrecht، cocomo81 و coconasa) انجام شد. نتایج نشان داد که تنظیم بهینه‌ی پارامترها به کمک grid search منجر به کاهش قابل‌توجه mmre و افزایش معیارهای (0.25) pred و ef در تمامی مجموعه داده‌ها شده است. این یافته‌ها نشان‌دهنده‌ی تاثیر مثبت تنظیم پارامترهای مدل بر بهبود دقت تخمین هزینه نرم‌افزار است.