기계 학습 기반 소프트웨어 결함 예측 시스템에 대한 비교 분석

소프트웨어 공학 개념에서 소프트웨어 결함의 예측은 소프트웨어 시스템의 품질을 높이는 데 중요한 역할을 하며, 이는 소프트웨어 개발 생애 주기의 가장 중요한 단계 중 하나입니다. 일상 생활에서 소프트웨어 시스템의 사용이 증가함에 따라 그 의존성과 복잡성도 증가하고 있으며, 이는 결함이 발생하기 위한 적절한 환경을 초래합니다. 소프트웨어 결함이 존재하면 소프트웨어는 잘못된 결과와 행동을 생성합니다. 결함보다 더 중요한 것은 결함이 발생하기 전에 이를 발견하는 것입니다. 따라서 소프트웨어 결함의 탐지(그리고 예측)는 소프트웨어 관리자가 유지 관리 및 테스트 단계에 대한 리소스를 효율적으로 할당할 수 있도록 합니다. 문헌에서는 소프트웨어 결함 예측에 대한 다양한 제안이 있습니다. 본 논문에서는 PROMISE 창고의 공공 데이터셋 CM1, KC1, KC2, JM1 및 PC1에서 의사 결정 트리, 나이브 베이즈, K-최근접 이웃, 서포트 벡터 머신, 랜덤 포레스트, 엑스트라 트리, 아다부스트, 그래디언트 부스팅, 배깅 및 다층 퍼셉트론과 같은 10개의 학습 알고리즘을 비교하여 기계 학습 기반 소프트웨어 결함 예측 시스템에 대한 비교 분석을 수행했습니다. 실험 결과는 제안된 모델이 소프트웨어 품질을 증가시키기 위한 소프트웨어 결함 예측에 적절한 정확도 수준을 가져온다는 것을 보여주었습니다.