Design and implement machine learning for the software defect prediction

Yazılım hata tahmin tekniklerinin temel amacı, yazılım geliştirme değerini engelleyen hataları bulmaktır. Hata tahmin teknikleri, modeller oluşturmak için yazlım geçmişi verilerini kullanır ve bu veriler daha sonra dosyalar, değişiklikler ve prosedürler gibi kod alanlarının yeni oluşumlarındaki hataları tahmin etmek için kullanılır. Doğru tahmin çerçeveleri oluşturmaya yönelik daha önceki çalışmalar tarafından yapılan girişimler genellikle aşağıdaki iki kategoriye ayrılır: birincil taktik, kusurları daha verimli bir şekilde karakterize etmek için fiziksel olarak orijinal özellikler veya yeni özellik birleşimleri tasarlamaktır ve ayrıca ikinci yaklaşım, makine öğrenimini destekleyen yeni ve daha kaliteli sınıflandırma çerçevelerinin kullanılmasını içerir. Mevcut araştırma çalışmasında, özellik çıkarımı için PSO ile birlikte genetik algoritma uygulanmıştır. Torbalama sınıflandırması, nihai sınıflandırılmış sonuçları elde etmek için kullanılır. Bu araştırma çalışması sırasında, konuyu daha iyi anlamak için üç topluluk sınıflandırıcısı oluşturulmuştur. Bu topluluk sınıflandırıcıları özellik azaltma için PCA algoritmasında kullanıldığında, doğruluk daha da artmaktadır. Son aşamada, kategori (sınıf) dengesizliği sorunu çözülür ve bu nedenle doğruluk yüzden 93'e kadar artırılır. ANAHTAR KELİMELER: Doğruluk, Makine Öğrenmesi, özelliklerin birleştirilmesi, Tahmin çerçeveleri, Topluluk sınıflandırıcıları, Yazılım geliştirme, Yazılım hatası tahmini.