AVALIAÇÃO DE MODELOS DE PREDITIVOS DE REGRESSÃO PARA ESTIMAR ESFORÇO DE SOFTWARE

Resumo

A estimativa de esforço é uma tarefa crítica no ciclo de vida de desenvolvimento de software. Estimativas imprecisas podem causar insatisfação do cliente e reduzir a qualidade do produto. Neste artigo, avaliamos o uso de técnicas baseadas em aprendizado de máquina para estimar o esforço para tarefas de software. Executamos um estudo empírico baseado no conjunto de dados [Desharnais 1989] e comparamos as previsões de três modelos: Regressão Linear (LR), Support Vector Machine (SVM) e K-Nearest Neighbor (KNN). Os resultados do nosso estudo mostram que algumas métricas de software são mais importantes para estimar o esforço de software do que outras. Também com base no erro quadrático, que calcula quão próxima a distância de uma linha de regressão quadrada é de um conjunto de pontos, podemos estimar com sucesso 76% do esforço de software para o conjunto de dados estudado, onde os modelos preditivos criados mostram apenas 3% diferença entre eles.