論文の概要: Ensemble Regression Models for Software Development Effort Estimation: A Comparative Study

• arxiv url: http://arxiv.org/abs/2007.01719v1
• Date: Fri, 3 Jul 2020 14:40:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 05:56:25.227975
• Title: Ensemble Regression Models for Software Development Effort Estimation: A Comparative Study
• Title（参考訳）: ソフトウェア開発努力推定のためのアンサンブル回帰モデル--比較研究
• Authors: Halcyon D. P. Carvalho, Mar\'ilia N. C. A. Lima, Wylliams B. Santos and Roberta A. de A.Fagunde
• Abstract要約: 本研究は,どの手法がより優れた作業予測精度を持つかを判定し,より優れた見積もりを提供するための組み合わせ手法を提案する。 その結果,提案したアンサンブルモデルでは,ソフトウェアプロジェクトの取り組み推定に最適な応答が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As demand for computer software continually increases, software scope and complexity become higher than ever. The software industry is in real need of accurate estimates of the project under development. Software development effort estimation is one of the main processes in software project management. However, overestimation and underestimation may cause the software industry loses. This study determines which technique has better effort prediction accuracy and propose combined techniques that could provide better estimates. Eight different ensemble models to estimate effort with Ensemble Models were compared with each other base on the predictive accuracy on the Mean Absolute Residual (MAR) criterion and statistical tests. The results have indicated that the proposed ensemble models, besides delivering high efficiency in contrast to its counterparts, and produces the best responses for software project effort estimation. Therefore, the proposed ensemble models in this study will help the project managers working with development quality software.
• Abstract（参考訳）: コンピュータソフトウェアに対する需要が継続的に増加するにつれ、ソフトウェアの範囲と複雑さはかつてないほど高まる。 ソフトウェア産業は開発中のプロジェクトの正確な見積もりを必要としています。 ソフトウェア開発の労力見積は、ソフトウェアプロジェクト管理の主要なプロセスのひとつです。 しかし、過大評価と過小評価がソフトウェア産業を損なう可能性がある。 本研究は,どの手法がより優れた作業予測精度を持つかを決定し,より優れた見積もりを提供するための組み合わせ手法を提案する。 平均絶対残差(mar)基準と統計的テストの予測精度に基づいて、8種類のアンサンブルモデルとアンサンブルモデルとを比較検討した。 その結果、提案されたアンサンブルモデルは、それとは対照的に高い効率を提供するだけでなく、ソフトウェアプロジェクトの労力推定に最適な応答を生み出すことが示されている。 そこで,本研究で提案するアンサンブルモデルは,プロジェクトマネージャが開発品質のソフトウェアに取り組むのに役立つ。

関連論文リスト

• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• Agent-Driven Automatic Software Improvement [55.2480439325792]
  本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。 継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。 我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
  論文  参考訳（メタデータ） (2024-06-24T15:45:22Z)
• SOEN-101: Code Generation by Emulating Software Process Models Using Large Language Model Agents [50.82665351100067]
  FlowGenは、複数のLarge Language Model (LLM)エージェントに基づいたソフトウェアプロセスモデルをエミュレートするコード生成フレームワークである。 FlowGenScrumをHumanEval、HumanEval-ET、MBPP、MBPP-ETの4つのベンチマークで評価した。
  論文  参考訳（メタデータ） (2024-03-23T14:04:48Z)
• Leveraging AI for Enhanced Software Effort Estimation: A Comprehensive Study and Framework Proposal [2.8643479919807433]
  本研究は,従来の手法の限界を克服し,精度と信頼性を向上させることを目的とする。 提案されたAIベースのフレームワークは、プロジェクトの計画とリソース割り当てを強化する可能性を秘めている。
  論文  参考訳（メタデータ） (2024-02-08T08:25:41Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Recent Advances in Software Effort Estimation using Machine Learning [0.0]
  私たちは、アジャイルでない方法論とアジャイルな方法論の両方でソフトウェア開発の取り組みを見積もるのに使用される、最新の機械学習アプローチについてレビューします。 私たちは、労力見積の可能性の観点から、アジャイル方法論を採用するメリットを分析します。 我々は、データ駆動予測モデルによるソフトウェア作業の推定について、現在および将来のトレンドの分析で結論付けている。
  論文  参考訳（メタデータ） (2023-03-06T20:25:16Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• Software Effort Estimation using parameter tuned Models [1.9336815376402716]
  見積もりの正確さは、プロジェクトの失敗の理由です。 ソフトウェア業界の最大の落とし穴は、ソフトウェア開発の急速に変化する性質であった。 ソフトウェア製品の開発コストを正確に予測する有用なモデルの開発が必要です。
  論文  参考訳（メタデータ） (2020-08-25T15:18:59Z)
• Quantitatively Assessing the Benefits of Model-driven Development in Agent-based Modeling and Simulation [80.49040344355431]
  本稿では,MDD とABMS プラットフォームの利用状況と開発ミスについて比較する。 その結果、MDD4ABMSはNetLogoと類似した設計品質のシミュレーションを開発するのに、より少ない労力を必要とすることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T23:29:04Z)
• Software Defect Prediction Based On Deep Learning Models: Performance Study [0.5735035463793008]
  Stack Sparse Auto-Encoder(SSAE)とDeep Belief Network(DBN)の2つのディープラーニングモデルがデプロイされ、NASAデータセットを分類する。 実験の結果,十分なサンプルが得られたデータセットの精度が向上した。
  論文  参考訳（メタデータ） (2020-04-02T06:02:14Z)
• Software Effort Estimation using Neuro Fuzzy Inference System: Past and Present [1.7767466724342065]
  不正確なソフトウェア見積は、プロジェクトの遅延、予算過剰、あるいはプロジェクトのキャンセルにつながる可能性がある。 本稿では,ニューロファジィ推論システム(NFIS)の新たな評価手法について検討する。
  論文  参考訳（メタデータ） (2019-12-26T12:55:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。