مدل های یادگیری ماشین بدون نظارت برای پیش بینی نقص های نرم افزار

چهارشنبه 17 اردیبهشت 1399

امروزه از مدل های یادگیری ماشین بدون نظارت برای پیش بینی نقص های نرم افزاری استفاده می شود، دراین مطلب درباره مدل های یادگیری ماشین بدون نظارت صحبت میکنیم.

 مدل های یادگیری ماشین بدون نظارت برای پیش بینی نقص های نرم افزار

یادگیری ماشین بدون نظارت امروزه می تواند به صورت گسترده ای در پیش بینی نقص های نرم افزارها مورد استفاده قرار گیرد. این روش یک رویکرد بسیار ارزشمند برای پیش بینی کننده های نقص های نرم افزار است چرا که به میزان بسیار زیادی نیاز به داده های آموزشی برچسب گذاری شده را کاهش می دهد. ما در این مطلب قصد داریم کمی بیشتر درباره تاثیر یادگیری ماشین بدون نظارت بر روی پیش بینی نقص های نرم افزار صحبت کنیم. بنابراین ما را در این مطلب همراهی کنید. هدف از این مطلب این است که شما بتوانید با استفاده از تکنیک های یادگیری ماشین نظارت نشده اقدام به پیشبینی نقص های نرم افزار کنید.

روش های استفاده شده در این تحقیق

ما در حال ساخت خلاصه ای از یادگیری ماشین بدون نظارت هستیم که 49 مطالعه مختلف که شامل 2456 نتیجه آزمایشی هستند می باشد. محدودیت هایی که ما در این مطالعه بر روی نتایج قرار دادیم این بود که نتایج باید بین ماه های ژانویه سال 2000 میلادی تا ماه مارس سال 2018 میلادی منتشر شده باشند. علاوه بر این به منظور مقایسه عملکرد پیشگویی در طول این تحقیقات ما به صورت مداوم ماتریس confusion را محاسبه می کردیم و ضریب همبستگی Matthews را نیز به عنوان معیار اصلی خود برای این سنجش انتخاب کردیم.

 یادگیری ماشین بدون نظارت

نتایج دریافت شده از یادگیری ماشین بدون نظارت

تحلیل های گسترده ما نشان می داد که مدل های یادگیری ماشین بدون نظارت کاملا در پیش بینی نقص های پروژه های داخلی و همینطور cross-project ها قابل مقایسه با مدل های نظارت شده بود. در میان 14 خانواده از مدل های نظارت شده Fuzzy C Means و Fuzzy SOMs عملکرد بهتری را دارا بودند. علاوه بر این از آنجایی که ما قادر به بررسی بودیم متوجه شدیم که تقریبا 11 درصد از نتایج منتشر شده( که شامل 16 مقاله نیز بودند)از لحاظ داخلی تناقض هایی را دارا بودند و 33 درصد از آنها نیز جزئیات کافی را برای بررسی های ما فراهم نکرده بودند.

 یادگیری ماشین بدون نظارت

نتیجه گیری

اگرچه فاکتورهای مختلفی هستند که بر روی عملکرد یک classifier تاثیرگذار هستند که از جمله این فاکتورها می توان به ویژگی های مجموعه داده اشاره کرد ولی به صورت کلی می توان گفت که در خلاصه ای که ما ارائه دادیم classifier های بدون نظارت به نظر نمی رسد که عملکرد بدتری را نسبت به classifier های نظارت شده داشته باشند. با این حال باید دقت کرد که ما نگرانی زیادی درباره موضوعاتی از جمله موضوعات زیر نداریم:

-          داشتن نتایج اشتباه

-          نداشتن معیارهای زیاد

-          گزارشات ناقص

البته باید توجه داشته باشید که ما محققان خود را تشویق می کنیم تا گزارشات خود را به صورت جامع و کامل در اختیار ما قرار دهند تا نتایج به صورت دقیق تر به ثبت برسد. 

برنامه نویسان

نویسنده 3201 مقاله در برنامه نویسان

کاربرانی که از نویسنده این مقاله تشکر کرده اند

تاکنون هیچ کاربری از این پست تشکر نکرده است

در صورتی که در رابطه با این مقاله سوالی دارید، در تاپیک های انجمن مطرح کنید