Entegre Xai yöntemleri ̇ile yazılım hata tahmininin geliştirilmesi: Analizler ve performans değerlendirmesi

Bu doktora tezi, Yazılım Hatası Tahmini (SDP) alanındaki Makine Öğrenimi (ML) modellerinin yorumlanabilirliğini ve şeffaflığını Modelden Bağımsız Açıklanabilir Yapay Zeka (XAI) yöntemleri aracılığıyla geliştirmeye yönelik kapsamlı bir araştırma sunmaktadır. Temel amaç, hem lokal (yerel) hem de küresel düzeyde makine öğrenmesi modellerinin karar verme süreçlerini aydınlatmak ve böylece SDP alanındaki paydaşların talep ettiği tahmin gücü ile anlaşılabilirlik arasındaki boşluğu doldurmaktır. Benimsenen metodolojik yaklaşım, diğerlerinin yanı sıra ELI5, SHAP ve LIME gibi XAI tekniklerini kullanan yinelemeli ve keşifsel bir süreci içermektedir. Bu teknikler, her biri SDP'de model yorumlanabilirliği ve şeffaflığının belirli yönlerine odaklanan çok sayıda vaka çalışmasında sistematik olarak uygulanmaktadır. Yinelemeli iyileştirme ve keşif yoluyla araştırma, özelliklerin önemi, lokal tahminlere katkıları ve genel model kararlarına ilişkin içgörüleri ortaya çıkarmaktadır. Ayrıca, çeşitli XAI yöntemlerinden elde edilen özellik önem puanlarını birleştirmek için topluluk modelleme teknikleri entegre edilmiş, böylece tahmin doğruluğu optimize edilirken aynı zamanda yorumlanabilirlik de korunmuştur. Bu araştırma, makine öğrenimi modeli karar verme süreçlerinin kapsamlı bir şekilde anlaşılmasını sağlayarak SDP alanına önemli ölçüde katkıda bulunmaktadır. Geleneksel özellik seçimi ve aykırı değer tespit metodolojilerindeki kritik boşlukları etkili bir şekilde ele alarak modelin yorumlanabilirliğini ve şeffaflığını artırmaktadır. Ayrıca, yorumlanabilirliği korurken tahmin doğruluğunu optimize etmedeki rollerini aydınlatarak, topluluk modelleme yaklaşımları hakkında değerli bilgiler sunmaktadır. Geliştirilen metodolojilerin doğrulanması, titiz ampirik çalışmalar ve karşılaştırmalı analizler yoluyla gerçekleştirilmekte, böylece gerçek dünyadaki SDP senaryolarında etkinlikleri ve kullanılabilirlikleri sağlanmaktadır.