การทำนายร่องรอยที่ไม่ดี ของโมเดลการออกแบบซอฟต์แวร์โดยใช้วิธีการเรียนรู้ของเครื่อง

นครินทร์ มณีรัตน์

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/32194

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	พรศิริ หมื่นไชยศรี	-
dc.contributor.author	นครินทร์ มณีรัตน์	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์	-
dc.date.accessioned	2013-06-17T07:06:51Z	-
dc.date.available	2013-06-17T07:06:51Z	-
dc.date.issued	2553	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/32194	-
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2553	en
dc.description.abstract	การทำนายร่องรอยที่ไม่ดีในกระบวนการผลิตซอฟต์แวร์ เป็นหนึ่งวิธีการตรวจคุณภาพของซอฟต์แวร์ ในหลาย ๆ งานวิจัยก่อนหน้านี้ได้เสนอวิธีการทำนายร่องรอยที่ไม่ดีจากซอร์ส โค้ดของโปรแกรม การทำนายร่องรอยที่ไม่ดีจะมีประโยชน์อย่างมาก ถ้าเราสามารถทำการทำนายร่องรอยที่ไม่ดีได้อย่างรวดเร็วที่สุดเท่าที่ทำได้ในกระบวนการผลิตซอฟต์แวร์ เป้าหมายของงานวิจัยนี้ คือ การนำเสนอวิธีการในการทำนายร่องรอยที่ไม่ดีของโมเดลการออกแบบซอฟต์แวร์โดยใช้วิธีการเรียนรู้ของเครื่อง โดยเราได้ทำการเก็บรวบรวมชุดข้อมูล 7 ชุดจากงานวิจัยที่ผ่านมา ชุดข้อมูลทั้ง 7 ชุดนั้น ประกอบด้วย 27 มาตรวัดการออกแบบ และ ร่องรอยที่ไม่ดีทั้ง 7 ชนิด ชุดข้อมูลทั้ง 7 ชุดนั้นจะถูกใช้ในการเรียนรู้ และ ทำนายร่องรอยที่ไม่ดีโดยวิธีการเรียนรู้ของเครื่อง งานวิจัยนี้ใช้วิธีการเลือกสุ่มข้อมูลแบบความเที่ยงตรงโดยการแบ่งชุดข้อมูลเป็น 10 ส่วนเพื่อป้องกันการเข้ากันของชุดข้อมูลมากเกินไป (Over-fitting) งานวิจัยนี้ทำการประเมินผลโดยการคำนวณประสิทธิภาพการทำนายร่องรอยที่ไม่ดีด้วย ค่าความถูกต้องการทำนายร่องรอยที่ไม่ดี ความไวและความจำเพาะ และ ค่าพยากรณ์ของการทดสอบ แล้วเปรียบเทียบความสามารถในการทำนายของวิธีการเรียนรู้ของเครื่องแต่ละวิธี จากงานวิจัยนี้สามารถสรุปได้ว่าการทำนายร่องรอยที่ไม่ดีจากโมเดลการออกแบบโดยใช้วิธีการเรียนรู้ของเครื่องมีค่าใกล้เคียงกับจำนวนร่องรอยที่ไม่ดีจริงของคลาส	en
dc.description.abstractalternative	Bad-smell prediction in software development significantly impacts on the quality of the resulting software. Code metrics have been successfully used for predicting bad-smells in many literatures. It is more beneficial if bad-smell prediction can be performed as early as possible in the development life cycle. The goal of this paper is to present a methodology for predicting bad-smells from software design model and metrics using machine learning techniques. We collect 7 data sets from the previous literatures which offer 27 design model metrics and 7 bad-smells. The data sets are used as a learning set and a testing set to predict bad-smells using seven machine learning algorithms. We use 10-fold cross-validation for assessing the performance of a predictive model and for preventing over-fitting of the model. Prediction accuracy, hypothesis test, sensitivity and specificity, and predictive value of tests are used to evaluate and compare the performance of the machine learning algorithms. With the experiments, we can conclude that a bad-smell prediction from software design model using machine learning techniques have proximity to actual values	en
dc.language.iso	th	es
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	en
dc.relation.uri	http://doi.org/10.14457/CU.the.2010.1456	-
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	en
dc.subject	ซอฟต์แวร์	en
dc.subject	ซอฟต์แวร์ -- การควบคุมคุณภาพ	en
dc.subject	การควบคุมทำนายแบบจำลอง	en
dc.title	การทำนายร่องรอยที่ไม่ดี ของโมเดลการออกแบบซอฟต์แวร์โดยใช้วิธีการเรียนรู้ของเครื่อง	en
dc.title.alternative	Bad-smell prediction from software design model using machine learning techniques	en
dc.type	Thesis	es
dc.degree.name	วิทยาศาสตรมหาบัณฑิต	es
dc.degree.level	ปริญญาโท	es
dc.degree.discipline	วิทยาศาสตร์คอมพิวเตอร์	es
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	en
dc.email.advisor	Pornsiri.Mu@Chula.ac.th	-
dc.identifier.DOI	10.14457/CU.the.2010.1456	-
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
nakarin_ma.pdf		1.79 MB	Adobe PDF	View/Open

Show simple item record