عنوان مقاله ترجمه شده:قیاسِ مبنی بر تخمین تلاش: یک روش جدید برای کشف مجموعه شباهت‌ها از ویژگی های مجموعه داده
عنوان انگلیسی مقاله ترجمه شده:Analogy-based effort estimation: a new method to discover set of analogies from dataset characteristics
سال انتشار مقالهنام ژورنالتعداد صفحات مقاله ترجمه شده
2014IET Software13
چکیده فارسی:برآورد تلاش مبتنی بر قیاس(ABE) به دلیل عملکرد فوق العاده و اداره‌ی مجموعه داده‌های شلوغ یکی از روش‌های کارآمد برای نرم افزار تخمین تلاش است. مدل مرسوم ABE معمولا از همان تعداد شباهتی استفاده می‌کند که برای رسیدن به تخمین‌های خوب برای تمام پروژه‌ها در مجموعه داده مناسب است. این نویسندگان ادعا می‌کنند که استفاده از همان تعداد شباهت ممکن است بهترین عملکرد کلی را برای تمام مجموعه داده تولید کنند اما لزوما بهترین عملکرد را برای هر پروژه منحصر به فرد تولید نمی‎کنند. بنابراین نیاز به درک بهتر ویژگی‌های مجموعه داده به منظور کشف مجموعه‌ای مطلوب از شباهتها برای هر پروژه به جای استفاده از یک شخص K نزدیک ترین پروژه وجود دارد. نویسندگان یک فن آوری جدید را پیشنهاد کرده‌اند که بر اساس دو بخش کردن الگوریتم خوشه‌ایِ K-medoids به کار می‌آید تا با بهترین مجموعه‌ای از شباهت‌ها برای هر پروژه‌ی منحصر به فرد قبل از پیش بینی استفاده شود. دو بخش کردنِ K-medoids ممکن است به درک بهتر ویژگی مجموعه داده، و خودکار پیدا کردن بهترین مجموعه‌ای از شباهت‌ها برای هر پروژه‌ی آزمایشی مفید باشد. روش تخمین پیشنهاد شده‌ی آمار و ارقام عملکرد امیدبخش است و بهتر از سایر مدل های مرسوم ABE است.
چکیده انگلیسی:Analogy-based effort estimation (ABE) is one of the efficient methods for software effort estimation because of its outstanding performance and capability of handling noisy datasets. Conventional ABE models usually use the same number of analogies for all projects in the datasets in order to make good estimates. The authors’ claim is that using same number of analogies may produce overall best performance for the whole dataset but not necessarily best performance for each individual project. Therefore there is a need to better understand the dataset characteristics in order to discover the optimum set of analogies for each project rather than using a static k nearest projects. The authors propose a new technique based on bisecting k-medoids clustering algorithm to come up with the best set of analogies for each individual project before making the prediction. With bisecting k-medoids it is possible to better understand the dataset characteristic, and automatically find best set of analogies for each test project. Performance figures of the proposed estimation method are promising and better than those of other regular ABE models.
کلمات کلیدی مقاله:
دانلود اصل مقاله ترجمه نشده افزودن به سبد خرید