改进机器学习模型在需求获取技术选择中准确性的方法
软件工程
2023-08-22 v1
摘要
技术选择是 IT 项目业务分析方法规划中的关键环节。其中,需求获取技术的选取备受关注。使用基于从业者经验并考虑不同项目背景训练的机器学习算法来选择技术,是一种有前景的方法。ML 模型的有效性受训练数据集平衡性的显著影响,而在流行技术情形下该平衡性遭到破坏。本文旨在分析在不平衡训练数据集情况下,合成少数类过采样技术(Synthetic Minority Over-sampling Technique)用于需求获取技术选择机器学习模型的有效性,以及正向特征重要性选择的可能途径。计算实验结果证实了所提方法在提升需求获取技术选择的机器学习模型准确性方面的有效性。所提方法可用于构建 IT 项目中业务分析活动规划的机器学习模型。
引用
@article{arxiv.2303.14762,
title = {Approaches to Improving the Accuracy of Machine Learning Models in Requirements Elicitation Techniques Selection},
author = {Denys Gobov and Olga Solovei},
journal= {arXiv preprint arXiv:2303.14762},
year = {2023}
}