[논문 리뷰] Estimation of Effort in Software Cost Analysis for Heterogenous Dataset using Fuzzy Analogy

S. Malathi, Sridhar Sundaramoorthy|arXiv (Cornell University)|2012. 11. 06.

Software Engineering Research참고 문헌 5인용 수 6

한 줄 요약

이 논문은 수치적 및 범주형 속성을 모두 포함하는 이질적 데이터셋을 다룰 수 있는 퍼지 유사성 기반 소프트웨어 노력 추정 방법을 제안한다. 언어적 양자화자와 퍼지 논리를 사용하여 부정확성과 불확실성을 관리하며, 기존 기법보다 향상된 정확도를 달성한다. 평균 크기 상대 오차(MMRE)는 더 설명 가능하고 신뢰할 수 있는 결과를 나타낸다.

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.

연구 동기 및 목표

• 범주형 변수를 포함한 데이터셋을 다룰 때 기존 노력 추정 모델의 한계를 해결하기 위해.
• 언어적 용어로 측정된 소프트웨어 프로젝트 속성의 부정확성과 불확실성을 관리하기 위해.
• 혼합된 수치적 및 범주형 데이터를 위한 퍼지 논리와 유사성 기반 추론을 통합한 강력한 추정 모델을 개발하기 위해.
• 실제의 이질적 데이터셋에서 소프트웨어 비용 추정의 정확도와 설명 가능성을 향상시키기 위해.
• 역사적 데이터셋과 표준 오차 지표인 MMRE를 사용하여 제안된 방법을 검증하기 위해.

제안 방법

• 이 방법은 소프트웨어 프로젝트 속성의 언어적 값을 표현하고 처리하기 위해 퍼지 논리를 사용하며, 이를 계산 처리를 위한 퍼지 집합으로 변환한다.
• 퍼지 유사성 측도를 기반으로 가장 유사한 이전 프로젝트를 식별함으로써 유사성 기반 추론을 적용한다.
• 언어적 양자화자는 질적 프로젝트 속성에 내재된 불확실성을 표현하고 관리하는 데 사용된다.
• 대상 프로젝트와 이전 프로젝트 간의 퍼지 유사성 점수를 조합하여 노력 추정을 계산한다.
• 수치적 및 범주형 속성 모두에 대해 퍼지 집합을 정의하여 이질적 데이터 유형 간의 일관된 비교를 보장한다.
• 최종 노력 추정치는 가장 유사한 이전 프로젝트에서 유도되며, 퍼지 유사성에 의해 가중치가 부여되어 예측 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 수치적 및 범주형 속성을 모두 포함하는 데이터셋을 다룰 때 소프트웨어 노력 추정은 어떻게 향상시킬 수 있는가?
• RQ2 퍼지 논리와 언어적 양자화자는 노력 추정에서 불확실성과 부정확성을 어느 정도 줄일 수 있는가?
• RQ3 이질적 데이터셋에 대해 퍼지 유사성 측도를 사용하여 유사성 기반 추론을 어떻게 향상시킬 수 있는가?
• RQ4 표준 지표를 사용할 때 제안된 방법은 기존 추정 기법보다 정확도에서 어떻게 비교되는가?
• RQ5 퍼지 논리와 유사성 기반 추론의 통합은 더 설명 가능하고 신뢰할 수 있는 노력 예측을 이끌어내는가?

주요 결과

• 제안된 퍼지 유사성 방법은 전통적 기법에 비해 추정 오차를 크게 줄이며, 특히 부정확하고 범주형 데이터를 다룰 때 유의미한 성능 향상을 보인다.
• 평균 크기 상대 오차(MMRE) 결과는 이 방법이 기존 모델보다 더 정확하고 신뢰할 수 있는 노력 예측을 제공함을 나타낸다.
• 이 방법은 언어적 속성의 불확실성과 부정확성을 효과적으로 관리하여 더 현실적이고 설명 가능한 추정치를 도출한다.
• 퍼지 논리와 유사성 기반 추론의 통합은 이질적 데이터셋에서 성능을 향상시켜 기존의 간격 기반 및 수치 기반 방법을 능가한다.
• 역사적 데이터셋을 사용한 실증적 검증을 통해 제안된 접근법의 강건성과 실용적 적용 가능성이 확인되었다.