Aug, 2015

决策树和决策树森林模型在软件开发工作量估算中的比较

HTML
PDF
TL;DR本文探讨了使用决策树森林模型结合ISBSG和Desharnais工业数据集用于软件工作量预测，得出该模型在软件工作量预测中是可行的，同时还和传统决策树模型和多元线性回归模型进行了比较。
发现论文，激发创造
  • 决策树归纳的信息增益估计改进

    本研究探讨了常见的决策树信息增益估算方法的偏差问题，并通过改进离散熵和微分熵的估算方法，提高了分类和回归预测性能。

    Jun, 2012

  • 多个决策树

    本文研究使用多棵决策树对预测结果进行平均，比使用单棵决策树更能提高预测准确性。作者利用修改版的ID3算法选出优秀的决策树进行平均，证明了结构不同的决策树集合进行平均比单棵决策树更优，提高了预测性能。

    Mar, 2013

  • 功能评估的决策树 - 最差和期望成本的同时优化

    通过自适应查询变量值评估离散函数的策略的设计，该算法可以同时实现预期和最坏情况下的对数逼近，即使在计算费用较高的情况下，该算法也可以作为一种自动诊断和主动学习的解决方案。

    Sep, 2013

  • 局部调整类比估计的 Pareto 有效多目标优化

    本文主要研究基于类比的工作量估计方法中的决策变量对估计精度产生的影响，并利用粒子群优化算法进行多目标优化实现最佳决策。

    Nov, 2016

  • 预测优化框架下的决策树决策

    该研究探讨了在“先预测，再优化”框架下使用决策树进行决策问题的决策，并提出了一种可观的方法称为SPO Trees (SPOTs)用于训练决策树，该方法具有较高的解释性。实验结果表明，SPOTs可提供更高质量的决策，并显著降低了模型复杂性。

    Feb, 2020

  • 可分离目标的最优决策树：推动动态规划的极限

    本研究探索了决策树中子树优化的分离可行性条件及其建立的动态规划框架对于不同应用各目标和约束的普适性。实验证明该框架在可扩展性上优于通用求解器。

    May, 2023

  • 朴素贝叶斯和随机森林在软件缺陷预测中的元分析比较

    本研究通过系统文献综述和元分析的方法，发现在预测软件缺陷方面，朴素贝叶斯和随机森林模型在召回率、F-度量和精确度方面没有显著差异。

    Jun, 2023

  • 借助人工智能改进软件工作量估算：综合研究和框架提案

    本研究在过去的五年中对AI技术在软件工作量估计方面进行了广泛的研究。通过克服传统方法的局限性，该研究旨在提高准确性和可靠性，并通过性能评估和与包括人工神经网络（ANN）、支持向量机（SVM）、线性回归、随机森林在内的多种机器学习模型进行比较，找到最有效的方法。所提出的基于AI的框架具有增强项目规划和资源分配的潜力，有助于软件项目工作量估计研究领域。

    Feb, 2024

  • 基于大型语言模型的智能界面的软件项目工作量和规模估算

    大型语言模型在软件设计中的应用，特别是基于LLM的人工智能代理对开发工作量的评估提出了挑战，通过UI界面用户故事的比较，提出了一种改进自然语言问题规范的方法，考虑了数据源、接口和算法来评估开发工作量。

    Feb, 2024

  • 识别多样软件项目中的技术债务及其类型

    本研究解决了在软件项目中准确识别技术债务（TD）的关键挑战，提出了一种基于变压器的分类方法。研究结果显示，针对项目特定上下文进行微调的变压器模型在TD分类上显著优于任务特定的模型，且较小的DistilRoBERTa模型在TD分类任务中表现优于更大型语言模型。这一发现为软件项目的技术债务管理提供了新的策略和工具。

    Aug, 2024