基于模型树的类比软件工作量估算适应策略

背景：适应技术对于基于类比的估算是一项关键任务。当前的适应技术常使用线性规模或线性相似度调整机制，这通常不适合具有许多分类属性和复杂结构的数据集。此外，使用非线性适应技术（如神经网络和遗传算法）需要大量用户交互和参数优化来配置它们（如网络模型、神经元数量、激活函数、训练函数、变异、选择、交叉等）。目的：为应对上述挑战，本文提出一种使用基于模型树的属性距离来调整类比估算并推导新估算值的新的适应策略。使用模型树具有处理分类属性、最小化用户交互并通过分类提高模型学习效率的优势。方法：使用了七个知名数据集和3折交叉验证来实证验证所提方法。所提方法使用从1到3的不同K个类比项进行了研究。结果：实验结果表明，与基于线性规模适应、线性相似度适应、“向均值回归”以及零适应(null adaptation)的类比估算所得结果相比，所提方法产生了更好的结果。结论：模型树可构成类比估算的有益扩展，尤其适用于具有大量分类属性的复杂数据集。