Bayesian ağları ve çekirdek yöntemleri ile yazılım hata tahmini

Literat urde kullanlan cok cesitli yazlm olc utleri mevcuttur. Cok sayda olc utle hata tahmini yapmak yerine, en onemli olc ut k umesini belirleyip bu k umedeki olc utleri hata tahmininde kullanmak daha pratik ve kolay olacaktr. Bu tezde yazlm olc utleri ile hataya yatkınlık arasndaki etkilesimi ortaya cikarmak icin Bayesian modelleme y ontemi kullanlmistir. Promise veri deposundaki yazilim olc utlerine ek olarak, yazilimgelistiricisi sayisi (NOD) ve kaynak kodu kalitesi (LOCQ) adli 2 yeni olc ut tanmlanmistir. Bu olc utleri cikarmak icin Promise veri deposundaki veri k umelerinin acik kaynak kodlarikullanilmistir. Yapilan modelleme sonucunda, hem sinanan sistemin hatali olma ihtimali,hem de en etkili olc ut k umesi bulunmaktadr. 9 Promise veri k umesi uzerindeki deneyler, RFC, LOC ve LOCQ olc utlerinin en etkili olc utler oldugunu, CBO, WMC ve LCOM olc utlerinin ise daha az etkili oldugunu ortaya koymustur. Ayrca, NOC ve DIT olc utlerinin sınırlı bir etkiye sahip oldugu ve g uvenilir olmadıgı g ozlemlenmistir. Ote yandan, Poi, Tomcat ve Xalan veri k umeleri uzerinde yaplan deneyler sonucunda, yazılım gelistirici sayısı (NOD) ile hata seviyesi arasnda dogru orantı oldugu sonucuna varılmıstır. Bununla birlikte, tespitlerimizi dogrulamak icin daha fazla veri k umesi uzerinde deney yapmaya ihtiyac vardr.