Evaluación de conjuntos de datos utilizados en la construcción de modelos para la predicción de defectos en clases de proyectos software

La predicción de defectos consiste principalmente en la identificación de componentes de software con mayor probabilidad de errores para una asigna- ción de recursos efectiva. Esto se realiza por medio de modelos predictivos que son entrenados con datos de los proyectos, como información del proce...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Carruthers, Juan Andrés, Ojeda Rodríguez, Celeste María Luz
Formato: Documento de conferencia
Lenguaje:Español
Publicado: Universidad Nacional del Nordeste. Facultad de Ciencias Exactas y Naturales y Agrimensura 2022
Materias:
Mantenimiento del software
Métricas orientadas a objetos
Predicción de defectos
Acceso en línea:http://repositorio.unne.edu.ar/handle/123456789/51047
Aporte de:
RIUNNE - Repositorio Institucional de la Universidad Nacional del Nordeste (UNNE) de Universidad Nacional del Nordeste
id I48-R184-123456789-51047
record_format dspace
spelling I48-R184-123456789-510472025-03-06T11:52:43Z Evaluación de conjuntos de datos utilizados en la construcción de modelos para la predicción de defectos en clases de proyectos software Carruthers, Juan Andrés Ojeda Rodríguez, Celeste María Luz Mantenimiento del software Métricas orientadas a objetos Predicción de defectos La predicción de defectos consiste principalmente en la identificación de componentes de software con mayor probabilidad de errores para una asigna- ción de recursos efectiva. Esto se realiza por medio de modelos predictivos que son entrenados con datos de los proyectos, como información del proceso de desarrollo o el producto software. En este estudio, se presentan tres clasificadores entrenados con tres conjuntos de datos conformados por valores de métricas orientadas a objetos obtenidas del análisis estático del código de cinco sistemas Java. Para el entrenamiento de cada modelo se utiliza el método de ensamble validación y votación configurado con los algoritmos Regresión Logística, Función de Base Radial, Árbol de Decisión, Perceptrón Multicapa, Naive Bayes y Máquinas de Vector Soporte. Los modelos predictivos registran resultados favorables, con valores mayores a 0.8 de exactitud y mayores a 0.87 de especificidad. 2022-11-17T18:28:34Z 2022-11-17T18:28:34Z 2021 Documento de conferencia Carruthers, Juan Andrés y Ojeda Rodríguez, Celeste María Luz, 2021. Evaluación de conjuntos de datos utilizados en la construcción de modelos para la predicción de defectos en clases de proyectos software. En: IV Jornadas de Calidad de Software y Agilidad. Corrientes: Universidad Nacional del Nordeste. Facultad de Ciencias Naturales y Exactas y Agrimensura, p. 7-16. 978-987-3619-72-4 http://repositorio.unne.edu.ar/handle/123456789/51047 spa openAccess http://creativecommons.org/licenses/by-nc-nd/2.5/ar/ application/pdf p. 7-16 application/pdf Universidad Nacional del Nordeste. Facultad de Ciencias Exactas y Naturales y Agrimensura
institution Universidad Nacional del Nordeste
institution_str I-48
repository_str R-184
collection RIUNNE - Repositorio Institucional de la Universidad Nacional del Nordeste (UNNE)
language Español
topic Mantenimiento del software
Métricas orientadas a objetos
Predicción de defectos
spellingShingle Mantenimiento del software
Métricas orientadas a objetos
Predicción de defectos
Carruthers, Juan Andrés
Ojeda Rodríguez, Celeste María Luz
Evaluación de conjuntos de datos utilizados en la construcción de modelos para la predicción de defectos en clases de proyectos software
topic_facet Mantenimiento del software
Métricas orientadas a objetos
Predicción de defectos
description La predicción de defectos consiste principalmente en la identificación de componentes de software con mayor probabilidad de errores para una asigna- ción de recursos efectiva. Esto se realiza por medio de modelos predictivos que son entrenados con datos de los proyectos, como información del proceso de desarrollo o el producto software. En este estudio, se presentan tres clasificadores entrenados con tres conjuntos de datos conformados por valores de métricas orientadas a objetos obtenidas del análisis estático del código de cinco sistemas Java. Para el entrenamiento de cada modelo se utiliza el método de ensamble validación y votación configurado con los algoritmos Regresión Logística, Función de Base Radial, Árbol de Decisión, Perceptrón Multicapa, Naive Bayes y Máquinas de Vector Soporte. Los modelos predictivos registran resultados favorables, con valores mayores a 0.8 de exactitud y mayores a 0.87 de especificidad.
format Documento de conferencia
author Carruthers, Juan Andrés
Ojeda Rodríguez, Celeste María Luz
author_facet Carruthers, Juan Andrés
Ojeda Rodríguez, Celeste María Luz
author_sort Carruthers, Juan Andrés
title Evaluación de conjuntos de datos utilizados en la construcción de modelos para la predicción de defectos en clases de proyectos software
title_short Evaluación de conjuntos de datos utilizados en la construcción de modelos para la predicción de defectos en clases de proyectos software
title_full Evaluación de conjuntos de datos utilizados en la construcción de modelos para la predicción de defectos en clases de proyectos software
title_fullStr Evaluación de conjuntos de datos utilizados en la construcción de modelos para la predicción de defectos en clases de proyectos software
title_full_unstemmed Evaluación de conjuntos de datos utilizados en la construcción de modelos para la predicción de defectos en clases de proyectos software
title_sort evaluación de conjuntos de datos utilizados en la construcción de modelos para la predicción de defectos en clases de proyectos software
publisher Universidad Nacional del Nordeste. Facultad de Ciencias Exactas y Naturales y Agrimensura
publishDate 2022
url http://repositorio.unne.edu.ar/handle/123456789/51047
work_keys_str_mv AT carruthersjuanandres evaluaciondeconjuntosdedatosutilizadosenlaconstrucciondemodelosparalapredicciondedefectosenclasesdeproyectossoftware
AT ojedarodriguezcelestemarialuz evaluaciondeconjuntosdedatosutilizadosenlaconstrucciondemodelosparalapredicciondedefectosenclasesdeproyectossoftware
_version_ 1832346129766809600

Ejemplares similares