유사성 기반 노력 추정의 필수 가정 활용

배경: 소프트웨어 노력 추정기에 대한 디자인 옵션이 너무 많습니다. 우리는 이를 어떻게 효과적으로 탐색할 수 있을까요? 목표: 우리는 노력 추정기의 설계를 안내할 수 있는 일반적인 노력 추정 원칙에 대한 측면을 찾고자 합니다. 방법: 우리는 유사성 기반 노력 추정의 필수 가정을 확인했습니다. 즉, 프로젝트의 즉각적인 이웃은 해당 프로젝트에 대한 안정적인 결론을 제공합니다. 우리는 노력 데이터 클러스터의 이진 트리를 생성하고 슈퍼 트리와 작은 서브 트리의 분산을 비교하여 이 가정을 테스트합니다. 결과: 10개 데이터 세트( Coc81, Nasa93, Desharnais, Albrecht, ISBSG 및 터키 회사의 데이터)에서 우리는 다음을 발견했습니다: 1) 클러스터 서브 트리의 추정 분산은 일반적으로 클러스터 슈퍼 트리보다 큽니다; 2) 유사성이 분산이 낮은 클러스터 트리로 제한되면, 노력 추정치의 오류가 상당히 낮아집니다( MRE, AR 및 Pred(25)를 사용하여 Wilcoxon 검정과 95% 신뢰도로 측정된 것으로, 고정 크기의 이웃을 사용하는 최근접 이웃 방법에 비해). 결론: 유사성에 의한 추정은 작은 분산을 가진 지역의 프로젝트 데이터만 사용하여 가장 가까운 이웃을 동적으로 선택함으로써 상당히 개선될 수 있습니다.