Cross-project defect prediction with meta-Learning (2017)
- Authors:
- Autor USP: PORTO, FAIMISON RODRIGUES - ICMC
- Unidade: ICMC
- Sigla do Departamento: SSC
- Subjects: QUALIDADE DE SOFTWARE; ENGENHARIA DE SOFTWARE; SOFTWARES; APRENDIZADO COMPUTACIONAL; LINGUAGEM DE PROGRAMAÇÃO
- Keywords: Cross-project defect prediction; Engenharia de software experimental; Experimental software engineering; Meta-aprendizado; Meta-learning; Predição de defeitos cruzada entre projetos; Predição de defeitos em software; Qualidade de software; Software defect prediction; Software quality assurance
- Language: Inglês
- Abstract: Modelos de predição de defeitos auxiliam profissionais de teste na priorização de partes do software mais propensas a conter defeitos. A abordagem de predição de defeitos cruzada entre projetos (CPDP) refere-se à utilização de projetos externos já conhecidos para compor o conjunto de treinamento. Essa abordagem é útil quando a quantidade de dados históricos de defeitos é inapropriada ou insuficiente para compor o conjunto de treinamento. Embora o princípio seja atrativo, o desempenho de predição é um fator limitante nessa abordagem. Nos últimos anos, vários métodos foram propostos com o intuito de melhorar o desempenho de predição de modelos CPDP. Contudo, na literatura, existe uma carência de estudos comparativos que apontam quais métodos CPDP apresentam melhores desempenhos. Além disso, não há evidências sobre quais métodos CPDP apresentam melhor desempenho para um domínio de aplicação específico. De fato, não existe um algoritmo de aprendizado de máquina que seja apropriado para todos os domínios de aplicação. A tarefa de decisão sobre qual algoritmo é mais adequado a um determinado domínio de aplicação é investigado na literatura de meta-aprendizado. Um modelo de meta-aprendizado é caracterizado pela sua capacidade de aprender a partir de experiências anteriores e adaptar seu viés de indução dinamicamente de acordo com o domínio alvo. Neste trabalho, nós investigamos a viabilidade de usar meta-aprendizado para a recomendação de métodos CPDP. Nesta tese são almejados trêsprincipais objetivos. Primeiro, é conduzida uma análise experimental para investigar a viabilidade de usar métodos de seleção de atributos como procedimento interno de dois métodos CPDP, com o intuito de melhorar o desempenho de predição. Segundo, são investigados quais métodos CPDP apresentam um melhor desempenho em um contexto geral. Nesse contexto, também é investigado se os métodos com melhor desempenho geral apresentam melhor desempenho para os mesmos conjuntos de dados (ou projetos de software). Os resultados revelam que os métodos CPDP mais adequados para um projeto podem variar de acordo com as características do projeto sendo predito. Essa constatação conduz à terceira investigação realizada neste trabalho. Foram investigadas as várias particularidades inerentes ao contexto CPDP a fim de propor uma solução de meta-aprendizado capaz de aprender com experiências anteriores e recomendar métodos CPDP adequados, de acordo com as características do software. Foram avaliados a capacidade de meta-aprendizado da solução proposta e a sua performance em relação aos métodos base que apresentaram melhor desempenho geral.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2017
- Data da defesa: 29.09.2017
-
ABNT
PORTO, Faimison Rodrigues. Cross-project defect prediction with meta-Learning. 2017. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2017. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-21032018-163840/. Acesso em: 04 dez. 2025. -
APA
Porto, F. R. (2017). Cross-project defect prediction with meta-Learning (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-21032018-163840/ -
NLM
Porto FR. Cross-project defect prediction with meta-Learning [Internet]. 2017 ;[citado 2025 dez. 04 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-21032018-163840/ -
Vancouver
Porto FR. Cross-project defect prediction with meta-Learning [Internet]. 2017 ;[citado 2025 dez. 04 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-21032018-163840/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
