[논문 리뷰] A Classical Fuzzy Approach for Software Effort Estimation on Machine Learning Technique

S. Malathi, Sashank Sridhar|arXiv (Cornell University)|2011. 12. 16.

Software Engineering Research참고 문헌 13인용 수 9

한 줄 요약

이 논문은 고전적 퍼지 논리 접근법을 유사도 기반 소프트웨어 노력 추정과 통합하여, 범주형 및 수치형 프로젝트 데이터를 처리할 때 정확도를 향상시키는 방법을 제안한다. 이전 소프트웨어 프로젝트 데이터에 퍼지 추론을 적용함으로써, 특히 데이터 변환 없이도 모호하거나 정성적인 속성을 효과적으로 관리할 수 있으며, 전통적인 유사도 기반 기법보다 더 정밀한 노력 예측을 달성한다.

ABSTRACT

Software Cost Estimation with resounding reliability,productivity and development effort is a challenging and onerous task. This has incited the software community to give much needed thrust and delve into extensive research in software effort estimation for evolving sophisticated methods. Estimation by analogy is one of the expedient techniques in software effort estimation field. However, the methodology utilized for the estimation of software effort by analogy is not able to handle the categorical data in an explicit and precise manner. A new approach has been developed in this paper to estimate software effort for projects represented by categorical or numerical data using reasoning by analogy and fuzzy approach. The existing historical data sets, analyzed with fuzzy logic, produce accurate results in comparison to the data set analyzed with the earlier methodologies.

연구 동기 및 목표

• 기존의 유사도 기반 소프트웨어 노력 추정 기법이 범주형 데이터를 효과적으로 처리하는 데에 한계가 있음을 해결하기 위해.
• 기계 학습 원칙을 통합한 퍼지 논리를 활용해 정확도를 향상시킬 수 있는 견고한 방법을 개발하기 위해.
• 실제 이력 소프트웨어 프로젝트 데이터를 사용하여 제안된 퍼지 접근법의 성능을 기존 방법과 비교 평가하기 위해.
• 퍼지 논리가 정밀도가 떨어지거나 정성적인 소프트웨어 프로젝트 속성을 다룰 때 추정 정밀도를 향상시킬 수 있음을 입증하기 위해.

제안 방법

• 제안된 방법은 소프트웨어 프로젝트의 범주형 및 수치형 속성을 모두 표현하고 추론하기 위해 퍼지 논리를 사용한다.
• 다양한 속성 기반으로 새로운 프로젝트와 이력 프로젝트를 비교하기 위해 퍼지 유사도 측정을 적용한다.
• 언어 변수를 사용하여 정성적 데이터를 위해 프로젝트 특성에서 추정 노력으로의 맵핑을 위한 퍼지 추론 규칙을 구성한다.
• 퍼지 소속도를 사용해 유사한 과거 프로젝트의 노력 값을 가중치화함으로써, 이론적 유사도 기반 추정을 활용한다.
• 최종 노력 예측값은 퍼지 유사도 점수에서 유도된 가중치를 사용해 이력 프로젝트 노력의 가중 평균으로 계산된다.
• 데이터 정규화나 변환의 필요성을 피함으로써, 범주형 및 수치형 데이터의 원래 구조를 유지한다.

실험 결과

연구 질문

• RQ1 범주형 프로젝트 속성을 다룰 때, 퍼지 논리 기반 접근법이 소프트웨어 노력 추정 정확도를 향상시킬 수 있는가?
• RQ2 제안된 퍼지 유사도 방법은 기존의 유사도 기반 추정 기법과 비교해 예측 오차 측면에서 어떻게 다를까?
• RQ3 퍼지 추론은 소프트웨어 노력 추정의 불확실성을 어느 정도 줄일 수 있는가?
• RQ4 유사도 기반 추정에 퍼지 논리를 통합하면, 혼합형 데이터(범주형 및 수치형)에서 성능 향상이 이루어지는가?

주요 결과

• 제안된 퍼지 접근법은 동일한 데이터셋에서 기존의 유사도 기반 방법보다 더 정확한 노력 예측을 달성했다.
• 데이터를 수치형으로 변환할 필요 없이도 범주형 데이터를 효과적으로 처리하여 의미적 의미를 유지했다.
• 퍼지 유사도 측정이 관련 이력 프로젝트 식별을 향상시켜 더 정밀한 추정 정확도를 이끌어냈다.
• 결과적으로 혼합형 데이터 유형을 가진 프로젝트에서 예측 오차가 크게 감소한 것으로 나타났다.
• 언어 변수 모델링을 통해 모호하거나 모호한 프로젝트 기술서 처리에 있어 견고성을 보였다.
• 연구는 실제 소프트웨어 개발 환경에서 퍼지 논리가 유사도 기반 추정의 신뢰성을 향상시킬 수 있음을 확인했다.