تاثیر ترکیب روش های انتخاب ویژگی فیلتر و بسته بندی در بهبود پیش بینی اشکال نرم افزار

حفظ کیفیت محصول نرم افزاری با آزمون های دوره ای قبل از نصب، یکی از پرهزینه ترین فعالیت ها در پروژه های فناوری اطلاعات است. با توجه به منابع محدود برای آزمون ماژول ها در پروژه های نرم افزاری، بهتر است ابتدا ماژول های مستعد اشکال شناسایی شوند و منابع آزمون در جهت شناسایی اشکال در این ماژول ها متمرکز گردند. پیش بینی کننده های اشکال مبتنی بر الگوریتم های یادگیری ماشین، ابزارهای مقرون به صرفه ای برای شناسایی ماژول های مستعد اشکال هستند. پژوهش های گسترده ای در این حوزه برای یافتن ارتباط بین ویژگی های ماژول های نرم افزاری و مستعد اشکال بودن آن ها صورت پذیرفته است. برخی از این ویژگی ها در الگوریتم های پیش بینی کننده به گونه ای هستند که نه تنها سبب بهبود دقت در فرآیند یادگیری نمی شوند بلکه کاهش دقت را نیز در پی خواهند داشت. در این پژوهش با توجه به عملکرد خوب روش انتخاب ویژگی روبه جلو در انتخاب ویژگی های موثر، زیرمجموعه اولیه در این روش با استفاده از تلفیق ویژگی های با رتبه بالا در روش های مختلف فیلتر انتخاب می شود. روش پیشنهادی علاوه بر بهبود دقت سبب افزایش سرعت همگرایی در انتخاب ویژگی می شود. نتایج حاصل از پیاده سازی و ارزیابی نتایج تجربی به دست آمده در دادگان ناسا با معیار AUC، بیانگر موثر بودن روش پیشنهادی در بهبود دقت و سرعت پیش بینی ماژول های نرم افزاری مستعد اشکال است.