面向工作量估算的超参数优化

软件分析已广泛应用于软件工程中的许多任务，例如为软件项目生成工作量估算。软件分析的“黑艺术”之一是对控制数据挖掘算法的参数进行调优。这种超参数优化已在其他软件分析领域（例如缺陷预测和文本挖掘）中得到广泛研究，但迄今为止尚未在工作量估算中得到广泛探索。因此，本文寻求简单、自动、有效且快速的方法来为自动软件工作量估算找到良好的调优。我们引入了一种称为 OIL（优化归纳学习）的超参数优化架构。我们使用来自 945 个软件项目的数据，在广泛的超参数优化器上测试了 OIL。调优后，观察到工作量估算准确性的大幅提升（以标准化准确性衡量）。根据这些结果，我们推荐使用由不同进化算法调优的回归树（CART）与默认基于类比的估算器相结合。这种学习器与优化器的特定组合通常能在几小时内完成其他优化器需要数天到数周 CPU 时间才能达成的任务。该分析的一个重要部分是其可重复性和可反驳性。我们所有的脚本和数据均在线提供。希望本文能促使并实现更多关于改进软件工作量估算器调优方法的研究。