Yazılım kalite tahmin modelleri: Nesne odaklı sistemler için makine öğrenme tekniklerine dayalı karşılaştırmalı bir araştırma

Bu tez çalışmasının amacı, Chidamber ve Kemerer (CK) Nesne Yönelimli yazılım metrikleri arasındaki ilişkiyi araştırmak ve yazılım hata tahmininde doğruluk oranını belirlemektir. Bu nedenle, açık kaynaklı 33 projenin en son sürümleri için en iyi tekniği bulmak amacıyla en sık kullanılan 11 Makine Öğrenimi tekniği ve 2 Destek Vektör Makinesi kütüphanesinin performansı analiz edilmiştir. Bu tez çalışmasında, CK ölçütleri ile güvenirlik arasındaki ilişki de belirlenmiştir. Her teknik RapidMiner ve WEKA araçları kullanılarak değerlendirilmiştir. Veri kümesi, 10 kat çapraz doğrulama tekniği ile doğrulanmıştır. Ayrıca, Bayesian ağları, hangi CK metriğinin en iyi tahmin edici olduğunu belirlemek için kullanılan formlardır. Sonuçların değerlendirilmesi için Alıcı İşletim Karakteristiği, Kesinlik, Doğruluk, Eğri Altında Kalan Alan, Ortalama Mutlak Hata, Ortalama Hata Kare Kökü performans ölçütleri kullanılmıştır. Bu çalışmanın sonuçları, Rastgele Orman, Torbalama, Arttırma makine öğrenmesi tekniklerinin tahmin modelleri için en etkili olduğunu göstermektedir. Buna tersine, Destek Vektör Makineleri en az etkili modellerdir. Bu tez çalışması ayrıca, Sınıfın Ağırlıklı Metot Sayısının en etkili yazılım metriği olduğunu ortaya çıkarmıştır. Daha sonra, Alt Sınıf Sayısı, Kalıtım Ağacının Derinliği ölçümleri yazılımın kalitesini belirlemede iyi bir katkı sağlar.