Yapay zeka ile yazılım efor tahmini

Abstract

Yazılım efor tahmini şirketler ve müşteriler için büyük bir önem arz etmektedir. Eforun alçak ya da yüksek tahmin edilmesi hem şirketleri hem de müşterileri olumsuz yönde etkilemektedir.Bu çalışmada yazılım efor tahmini Çok Katmalı Algılayıcı Sinir Ağları ve Genetik Çok Katmanlı Algılayıcı Sinir Ağları kullanılarak tahmin edilmiştir. Veri seti olarak Desharnais veri seti kullanılmıştır. Her iki model için de 71 projeden oluşan aynı eğitim seti seçilmiştir.Çok Katmalı Algılayıcı Sinir Ağları modeli için, 71 projenin 8'i onaylama ve test için kullanılmıştır. Geriye kalan projeler ise sistemi eğitmek için kullanılmıştır. Genetik Çok Katmanlı Algılayıcı Sinir Ağları modeli için, 71 projenin 10'u çapraz doğrulama, 3'ü ise sistemi test etmek için kullanılmıştır.Eğitim setinde bulunmayan 10 farklı projenin efor değerleri tahmin edilmiştir. Daha sonra, Çok Katmalı Algılayıcı Sinir Ağları ve Genetik Çok Katmanlı Algılayıcı Sinir Ağları modellerinin tahmin performansları Ortalama Bağıl Hata ve Pred(25) performans değerlendirme kriterleri kullanılarak karşılaştırılmıştır. Sonuç olarak Genetik Çok Katmanlı Algılayıcı Sinir Ağları 'nın tahmin performansını geliştirdiği gözlenmiştir.

Software effort estimation has a big importance for companies and customers. Overestimating or underestimating of effort affects both of them in a negative way.In this study, software effort estimation was predicted by using Multi Layer Perceptron Neural Networks and Genetic Multi Layer Perceptron Neural Networks. As a dataset, Desharnais dataset was used. For both of these neural networks, the same 71 projects were chosen with the aim of training the system.For Multi Layer Perceptron Neural Networks model, 8 of 71 projects were used for validation and test the system. The other projects were used in order to train the system. For Genetic Multi Layer Perceptron Neural Networks, 10 of 71 projects are used for cross validation and 3 of the 71 projects are used for testing the system. The rest of the projects in the training set was used to train the system.Efforts of 10 different projects which are not in the trainig set were predicted. Then, prediction performance of Multi Layer Perceptron Neural Networks and Genetic Multi Layer Perceptron Neural Networks models were compared by using Mean Magnitude of Relative Error and Pred(25) performance evaluation criterions. As a result, it was observed that prediction performance was improved when Genetic Multi Layer Perceptron Neural Networks were used.