[論文レビュー] Estimation of Effort in Software Cost Analysis for Heterogenous Dataset using Fuzzy Analogy

S. Malathi, Sridhar Sundaramoorthy|arXiv (Cornell University)|Nov 6, 2012

Software Engineering Research参考文献 5被引用数 6

ひとこと要約

本稿では、数値属性とカテゴリー属性を併せ持つ異種データセットを扱えるファジィ類似性ベースのソフトウェア作業量推定手法を提案する。言語的量化子とファジィ論理を用いて不確かさと不正確さを管理する。この手法は、より説明可能で信頼性の高い結果を示すMean Magnitude Relative Error (MMRE) を達成し、既存手法よりも精度が向上している。

ABSTRACT

One of the significant objectives of software engineering community is to use effective and useful models for precise calculation of effort in software cost estimation. The existing techniques cannot handle the dataset having categorical variables efficiently including the commonly used analogy method. Also, the project attributes of cost estimation are measured in terms of linguistic values whose imprecision leads to confusion and ambiguity while explaining the process. There are no definite set of models which can efficiently handle the dataset having categorical variables and endure the major hindrances such as imprecision and uncertainty without taking the classical intervals and numeric value approaches. In this paper, a new approach based on fuzzy logic, linguistic quantifiers and analogy based reasoning is proposed to enhance the performance of the effort estimation in software projects dealing with numerical and categorical data. The performance of this proposed method illustrates that there is a realistic validation of the results while using historical heterogeneous dataset. The results were analyzed using the Mean Magnitude Relative Error (MMRE) and indicates that the proposed method can produce more explicable results than the methods which are in vogue.

研究の動機と目的

• カテゴリー変数を含むデータセットを扱う際の、従来の作業量推定モデルの限界を解消すること。
• 言語的表現で測定されたソフトウェアプロジェクト属性における不確かさと不正確さを管理すること。
• 数値データとカテゴリー属性を併せ持つ混合データに対して、ファジィ論理と類似性ベース推論を統合した堅牢な推定モデルを開発すること。
• 現実の異種データセットにおけるソフトウェアコスト推定の精度と説明可能性を向上させること。
• 歴史的データセットと標準的な誤差指標（例：MMRE）を用いて、提案手法の妥当性を検証すること。

提案手法

• アプローチは、プロジェクト属性の言語的値をファジィ集合に変換して計算処理可能にするために、ファジィ論理を用いる。
• 類似性ベース推論を適用し、ファジィ類似度測度に基づいて最も類似した過去のプロジェクトを特定する。
• 言語的量化子を用いて、定性的なプロジェクト属性に内在する不確実性を表現および管理する。
• ターゲットプロジェクトと過去のプロジェクト間のファジィ類似度スコアを組み合わせることで、作業量推定を計算する。
• 数値属性とカテゴリー属性の両方に対してファジィ集合を定義し、異種データ型間での一貫性ある比較を保証する。
• 最終的な作業量推定値は、最も類似度の高い過去のプロジェクトを、ファジィ類似度で重み付けして算出され、予測精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 数値属性とカテゴリー属性を併せ持つデータセットを扱う際、ソフトウェア作業量推定はどのように改善できるか？
• RQ2 ファジィ論理と言語的量化子は、作業量推定における不確実性と不正確さをどの程度低減できるか？
• RQ3 ファジィ類似度測度を用いることで、異種データセットにおける類似性ベース推論はどのように強化できるか？
• RQ4 標準的な指標（例：MMRE）を用いた場合、提案手法は既存の推定手法と比べてどの程度精度が高いか？
• RQ5 ファジィ論理と類似性ベース推論を統合することで、より説明可能で信頼性の高い作業量予測が得られるか？

主な発見

• 提案されたファジィ類似性手法は、従来の手法と比較して推定誤差を顕著に低減しており、特に不正確でカテゴリー属性を含むデータの処理において顕著である。
• Mean Magnitude Relative Error (MMRE) の結果から、本手法は既存のモデルよりもより正確で信頼性の高い作業量予測を生み出していることが示された。
• 本手法は、言語的属性における不確実性と不正確さを効果的に管理しており、より現実的で説明可能な推定を可能にした。
• ファジィ論理と類似性ベース推論の統合により、異種データセットにおける性能が向上し、従来の区間値や数値ベース手法を上回った。
• 歴史的データセットを用いた実証的検証により、提案手法の堅牢性と実用的適用性が確認された。