用于软件开发工作量估算的神经网络模型：一项比较研究
软件工程
2017-08-23 v2
摘要
软件开发工作量估算（SDEE）是软件项目管理的主要任务之一。在竞标过程中，项目经理高效预测软件项目的工作量或成本至关重要，因为高估会导致竞标失败，而低估会使公司亏损。现有多种SDEE模型；机器学习模型，尤其是神经网络模型，是该领域最突出的模型之一。在本研究中，四种不同的神经网络模型：多层感知机、广义回归神经网络、径向基函数神经网络和级联相关神经网络在以下方面进行了相互比较：（1）以平均绝对误差准则为中心的预测准确性，（2）此类模型是否倾向于高估或低估，以及（3）每个模型如何对其输入的重要性进行分类。来自国际软件基准标准组（ISBSG）的工业数据集被用于训练和验证这四个模型。主ISBSG数据集经过过滤，然后根据每个项目的生产率值划分为五个数据集。结果表明，这四个模型在80%的数据集中倾向于高估，并且模型输入的显著性因所选模型而异。此外，在基于平均绝对残差准则构建的大多数数据集中，级联相关神经网络优于其他三个模型。
引用
@article{arxiv.1611.09934,
title = {Neural Network Models for Software Development Effort Estimation: A Comparative Study},
author = {Ali Bou Nassif and Mohammad Azzeh and Luiz Fernando Capretz and Danny Ho},
journal= {arXiv preprint arXiv:1611.09934},
year = {2017}
}