[论文解读] A Classical Fuzzy Approach for Software Effort Estimation on Machine Learning Technique

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

Software Engineering Research参考文献 13被引用 9

一句话总结

本文提出了一种将经典模糊逻辑与基于类比的软件工作量估算相结合的方法，以在处理分类数据和数值数据时提高准确性。通过应用模糊推理处理历史软件项目数据，该方法在管理模糊或定性属性时，相较于传统基于类比的技术，实现了更精确的工作量预测，且无需进行数据转换。

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.

研究动机与目标

• 解决现有基于类比的软件工作量估算技术在有效处理分类数据方面的局限性。
• 开发一种稳健的方法，将模糊逻辑与机器学习原理相结合，以提高估算精度。
• 使用真实历史软件项目数据，评估所提出的模糊方法与传统方法的性能表现。
• 证明模糊逻辑在处理模糊或定性软件项目属性时，可提升估算精度。

提出的方法

• 所提出的方法使用模糊逻辑来表示和推理软件项目的分类属性与数值属性。
• 应用模糊相似度度量，基于多个属性将新项目与历史项目进行比较。
• 构建模糊推理规则，将项目特征映射到估算工作量，对定性数据使用语言变量。
• 通过识别相似的过去项目，并利用模糊隶属度对这些项目的工作量值进行加权，实现基于类比的估算。
• 最终的工作量估算值通过历史项目工作量的加权平均计算得出，权重由模糊相似度得分得出。
• 该方法避免了数据标准化或转换的需求，保留了分类数据和数值数据的原始结构。

实验结果

研究问题

• RQ1 基于模糊逻辑的方法是否能提升在处理分类项目属性时的软件工作量估算精度？
• RQ2 所提出的模糊类比方法与传统类比估算方法相比，在预测误差方面表现如何？
• RQ3 模糊推理在多大程度上可降低软件工作量估算中的不确定性？
• RQ4 将模糊逻辑与基于类比的估算相结合，是否能提升对混合类型数据（分类与数值）的估算性能？

主要发现

• 在相同数据集上，所提出的模糊方法相较于传统类比估算方法，实现了更精确的工作量估算。
• 该方法无需将数据转换为数值形式即可有效处理分类数据，同时保留了语义含义。
• 模糊相似度度量提高了相关历史项目的识别能力，从而提升了估算精度。
• 结果表明，尤其在混合数据类型项目中，估算误差显著降低。
• 通过语言变量建模，该方法在处理模糊或模糊的项目描述时表现出稳健性。
• 研究证实，模糊逻辑可增强基于类比估算在真实世界软件开发场景中的可靠性。