[论文解读] 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 6

一句话总结

本文提出了一种基于模糊类比的软件工作量估算方法，可处理同时包含数值型和类别型属性的异构数据集，利用语言量化词和模糊逻辑来管理不精确性和不确定性。该方法在准确性方面表现更优，平均幅度相对误差（MMRE）表明其结果比现有技术更具可解释性和可靠性。

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.

研究动机与目标

• 解决现有工作量估算模型在处理包含类别变量的数据集时的局限性。
• 管理以语言术语衡量的软件项目属性中的不精确性和不确定性。
• 开发一种集成模糊逻辑与类比推理的稳健估算模型，以处理混合数值型和类别型数据。
• 提升在真实世界异构数据集中软件成本估算的准确性和可解释性。
• 使用历史数据集和标准误差度量（如MMRE）验证所提出方法。

提出的方法

• 该方法使用模糊逻辑表示和处理项目属性的语言值，将其转换为模糊集以进行计算处理。
• 通过模糊相似度度量识别与目标项目最相似的历史项目，应用类比推理。
• 使用语言量化词来表达和管理定性项目属性中固有的不确定性。
• 通过结合目标项目与历史项目之间的模糊相似度得分来计算工作量估算。
• 为数值型和类别型属性定义模糊集，以确保在异构数据类型间的一致比较。
• 最终的工作量估算基于最相似的历史项目，按模糊相似度加权，以提高预测准确性。

实验结果

研究问题

• RQ1 当处理同时包含数值型和类别型属性的数据集时，如何改进软件工作量估算？
• RQ2 模糊逻辑与语言量化词在多大程度上可减少工作量估算中的不确定性和不精确性？
• RQ3 能否通过使用模糊相似度度量来增强异构数据集上的类比推理？
• RQ4 所提出方法在标准度量下与现有估算技术相比，准确度如何？
• RQ5 将模糊逻辑与类比推理相结合，是否能带来更具可解释性和可靠性的估算结果？

主要发现

• 所提出的模糊类比方法显著降低了估算误差，尤其在处理不精确和类别型数据方面表现优异。
• 平均幅度相对误差（MMRE）结果表明，该方法产生的工作量预测比现有模型更准确、更可靠。
• 该方法有效管理了语言属性中的不确定性和不精确性，从而实现更真实、更具可解释性的估算。
• 将模糊逻辑与类比推理相结合，显著提升了在异构数据集上的性能，优于传统的区间值和数值型方法。
• 基于历史数据集的实证验证证实了该方法的稳健性与实际适用性。