대표적인 클러스터링 알고리즘을 사용한 비감독형 결함 예측 모델
Unsupervised Learning Model for Fault Prediction Using Representative Clustering Algorithms
1
조회
0
다운로드
6
인용
0
참고문헌
키워드
초록
입력 모듈의 결함경향성을 결정하는 결함 예측 모델 연구들은 대부분 훈련 데이터 집합을 사용하는 감독형 모델에 관련된 것들이었다. 하지만 과거 데이터 집합이 없거나 데이터 집합이 있더라도 현재 프로젝트와 성격이 다른 경우는 비감독형 모델이 필요하며, 이들에 관한 연구들은 모델 구축의 어려움 때문에 극소수 존재한다. 본 논문에서는 기존 비감독형 모델 연구들에서 사용하지 않은 대표적인 클러스터링 알고리즘인 EM, DBSCAN을 사용한 비감독형 모델들을 제작하여, 기존 연구들에서 사용한 K-means 모델과 성능을 비교하였다. 그 결과 오류율 면에서 EM이 K-means보다 약간 나은 성능을 보였으며, DBSCAN은 두 모델에 떨어지는 성능을 보였다.
Abstract
Most previous studies of software fault prediction model which determines the fault-proneness of input modules have focused onsupervised learning model using training data set. However, Unsupervised learning model is needed in case supervised learning modelcannot be applied: either past training data set is not present or even though there exists data set, current project type is changed. Building an unsupervised learning model is extremely difficult that is why only a few studies exist. In this paper, we build unsupervisedmodels using representative clustering algorithms, EM and DBSCAN, that have not been used in prior studies and compare these modelswith the previous model using K-means algorithm. The results of our study show that the EM model performs slightly better than theK-means model in terms of error rate and these two models significantly outperform the DBSCAN model.
참고문헌 (16)
- C. Catal, "Software fault prediction: A literature review and current trends", Expert Systems with Applications, 38(4), pp.4626~4636 (2011)
- T. Hall, "A Systematic Literature Review on Fault Prediction Performance in Software Engineering", IEEE Trans. Software Engineering, 38(6), pp.1276~1304 (2012)
- 김태연, "객체지향 메트릭 기반인 결함 예측 모형의 범용성에 관한 실험적 연구", 정보처리학회논문지D, 16(3), pp.407~416 (2009), 한국정보처리학회
- S. Lessmann, "Benchmarking Classification Models for Software Defect Prediction : A Proposed Framework and Novel Findings", IEEE Trans. Software Engineering, 34(4), pp.485~496 (2008)
- Q. Song, "A General Software Defect-Proneness Prediction Framework", IEEE Trans. Software Engineering, 37(3), pp.356~370 (2011)
- S. Zhong, "Analyzing Software Measurement Data with Clustering Techniques", IEEE Intelligent Systems, 19(2), pp.20~27 (2004)
- S. Zhong, "Unsupervised learning for expert-based software quality estimation", Proc. of HASE (2004)
- 홍의석, "훈련데이터 집합을 사용하지 않는 소프트웨어 품질예측 모델", 정보처리학회논문지D, 10(5), pp.689~696 (2003), 한국정보처리학회
- C. Catal, "Software fault prediction of unlabeled program modules", Proc. of WCE (2009)
- P. S. Bishnu, "Software fault prediction using quad tree-based k-means clustering algorithm", IEEE Trans. Knowledge and Data Eng., 24(6), pp.1146~1150 (2012)
- N. Seliya, "Software quality analysis of unlabeled program modules with semisupervised clustering", IEEE Trans. Systems, Man and Cybernetics, 37(2), pp.201~211 (2007)
- N. Seliya, "Software quality estimation with limited fault data : A semi supervised learning perspective", Software Quality Journal, 15(3), pp.327~344 (2007)
- C. Catal, "Unlabeled Extra Data do not Always Mean Extra Performance for Semi-Supervised Fault Prediction", Expert Systems, 26(5), pp.458~471 (2009)
- A. K. Jain, "Algorithms for clustering data" (1988), Prentice Hall
- D. Gray, "Reflections on the NASA MDP data sets", IET Software, 6(6), pp.549~558 (2012)
- 홍의석, "NASA MDP 데이터 집합의 결함도 모호성 분석", 한국IT서비스학회지, 12(2), pp.361~371 (2013), 한국IT서비스학회[DOI]