Topluluk öğrenimi yöntemi ile yazılım gereksinimlerinin sınıflandırma performansının iyileştirilmesi

Günümüzde gelişen teknoloji ile yazılım projeleri hayatımızın vazgeçilmez bir parçası haline getirmektedir. Bu durum, kullanıcılarla buluşan yazılım projelerinin sayısında büyük bir artışa sebep olmaktadır. Yazılım projelerinin sayındaki artışa paralel olarak firmaların rekabet etme noktasında verimli ve başarılı yazılım projelerini ortaya koyması daha da önem kazanmaktadır. Yazılım projelerinde başarı, belirlenen bütçe ve süre içerisinde müşterinin talep etmiş olduğu özellik ve işlevlerin eksiksiz yerine getirebilmesi yönlerinden değerlendirilmektedir. Yazılım projelerinin başarılı bir şekilde sonuçlanması için dikkat edilmesi gereken en önemli adımlardan biri yazılım gereksinim analizi çalışmalarıdır. Proje yaşam döngüsü içerisindeki ilk adım olan gereksinim analizi adımında, gereksinimler ne kadar doğru bir şekilde belirlenir ve belirlenen bu gereksinimler ne kadar doğru bir şekilde analiz edilirse, projenin sonraki adımları daha kontrollü bir biçimde gerçekleştirilmektedir. Yazılım projelerinde özellikle işlevsel ve işlevsel-olmayan gereksinimlerin dikkatli bir şekilde ele alınması gerekmektedir. Bu çalışmada işlevsel ve işlevsel-olmayan gereksinimlerin sınıflandırılmasında veri bilimi kullanarak, harcanan zamanın düşürülmesi ve insan bağımsız hale getirilmesi amacıyla çeşitli makine öğrenimi algoritmalarının performansları test edilmiştir. PROMISE-NFR veri seti kullanılarak, yapılan testler ile makine öğrenimi algoritmalarının tekil sonuçları değerlendirilmiştir. Algoritmaların performansları doğruluk metriği kullanılarak kıyaslanmıştır. Yapılan kıyaslama sonucu 0,8992 doğruluk değeri ile en yüksek performans değerine Naive Bayes algoritması ile ulaşılmıştır. Algoritmalarının tekil performanslarının arttırılması hedefi ile kolektif öğrenme yöntemleri kullanılmış ve Vote uygulaması ile algoritmalarının ikili ve üçlü etkileşimleri incelenmiştir. İkili ve üçlü değerlendirmeler için her gruptaki makine öğrenmesi algoritmalarından on adet algoritma belirlenmiş ve aralarındaki ilişkiler incelenmiştir. İkili olarak ele alınan algoritmaların performansları değerlendirildiğinde istenilen başarıya ulaşılamamıştır. Üçlü olarak ele alınan algoritmaların performansları değerlendirildiğinde ise 0,9024 doğruluk değeri ile en iyi sonuca SMO, PART ve Random Forest algoritmalarının birlikte kullanımı ile ulaşılmıştır. Sonuç olarak topluluk öğrenimi yöntemlerinin tekil makine öğrenimi yöntemlerine göre daha iyi sonuçlar verdiği ortaya koyduğu tespit edilmiştir.