机器学习技术的软件工作量估算精度预测：一项系统性性能评估
软件工程
2021-01-27 v1
摘要
软件工作量估算精度是在预算和进度内进行有效规划、控制并交付成功软件项目的关键因素。高估与低估均是未来软件开发的关键挑战，因此持续需要软件工作量估算（SEE）的精确性。研究人员与实践者一直在努力基于评估度量、数据集及其他相关属性来识别哪种机器学习估算技术能给出更精确的结果。相关研究作者通常并不了解先前已发表的机器学习工作量估算技术结果。本研究的主要目的在于协助研究人员了解哪种机器学习技术在软件开发中能产生有前景的工作量估算精度预测。本文基于两种最常用的精度评估度量，研究了机器学习集成技术与单独技术的性能。我们采用了Kitchenham和Charters提出的系统性文献综述方法。这包括检索最相关的论文、应用质量评估准则、提取数据并得出结论。我们使用平均相对误差幅值（MMRE）和PRED(25)作为一组可靠的精度度量，对28项选定研究（14项集成、14项单独）的先进精度性能进行了评估，以报告本研究所陈述的研究问题。我们发现机器学习技术在集成工作量估算（EEE）技术的构建中被最频繁地实施。本研究结果表明，EEE技术通常比单独技术产生更有前景的估算精度。
引用
@article{arxiv.2101.10658,
title = {Software Effort Estimation Accuracy Prediction of Machine Learning Techniques: A Systematic Performance Evaluation},
author = {Yasir Mahmood and Nazri Kama and Azri Azmi and Ahmad Salman Khan and Mazlan Ali},
journal= {arXiv preprint arXiv:2101.10658},
year = {2021}
}
备注
Pages: 27 Figures: 15 Tables: 8