Smart Technology & Smart Management Akıllı Teknoloji & Akıllı Yönetim


KARTAL E. , ÖZEN Z. , GÜLSEÇEN S.

An Artificial Neural Network Approach To Predict Software Project Effort: One-Class vs. Binary Classification, Tecim V., Tarhan Ç., Can A., Editör, Dokuz Eylül Yayınları, İzmir, ss.206-216, 2016

  • Basım Tarihi: 2016
  • Yayın Evi: Dokuz Eylül Yayınları
  • Basıldığı Şehir: İzmir
  • Sayfa Sayısı: ss.206-216
  • Editörler: Tecim V., Tarhan Ç., Can A., Editör

Özet

Zamanlama, efor ve maliyet başarılı bir proje yönetiminin üç önemli unsurudur. Günümüzde artık bu üç unsuru tahmin edebilmek için, sadece günlük durum değerlendirme raporlarına dayalı kararlar yeterli gelmemektedir. Karar verme belirsizlik durumunda daha zor hale gelmektedir; ancak yöneticiler makine öğrenmesi yardımı ile rekabet avantajı kazanmaktadır. Bu çalışmada, Yapay Sinir Ağları (YSA) ile yazılım
projelerindeki eforun tahmin edilmesi amaçlanmaktadır. Yazarlar, literatürdeki çalışmalardan farklı olarak tam efor değerini YSA ile adam / ay alarak tahmin etmek yerine; eforu, tek sınıf ve ikili sınıflandırma açısından ele almayı tercih etmiştir. Bu amaçla, hedefnitelik "efor" eşit frekans aynklaştınna metodu kullanılarak iki ayrı gruba
ayrılmıştır. Analizler efor tahmini için birçok araştırmacı tarafından kullanılan COCOMA 81 adlı popüler bir veri seti üzerinde gerçekleştirilmiştir. Analizler R Programlama Dili ve RStudio ile yapılmıştır. Model performans değerlendirme yöntemi olarak 5-kat Çapraz Geçerleme kullanılmıştır. Bu çalışmada ikili sınıflandınna için Geri Yayılım Algoritması ile Çok Katınanlı ileri Beslemeli (ÇKİB) YSA'ları, tek-sınıf sınıflandırına içinse Öz-İlişkili
YSA'ları tercih edilmiştir. En yüksek doğruluk (0,72) ve en düşük hata (0,28) ile optimum YSA mimarisi ÇKİB YSA'da ile elde edilmiştir.

Schedule, effort and cost are three important elements of a successful project management. When it comes to predict them; making decisions based on only daily situation assessment reports is not enough anymore. Decision-making becomes more difficult in the case of uncertainty. However, administrators gain competitive advantage with the help of machine learning. in this study, it is aimed to predict software project effort using Artificial Neural Networks (ANNs). Unlike the other studies in the literature, authors preferred to evaluate the performance of ANNs from the perspective of one-class and binary classification, rather than estimate the exact project effort (person in months). For this purpose, the target attribute "effort" is categorized into two distinct groups using equal frequency discretization method. Analysis are performed on a popular dataset named COCOMA 81 which is used by many researchers for effort estimation. Analysis are performed with R Programming Language and RStudio. Model performances are evaluated using 5-fold cross validation technique. In this study Multi-Layer Feed-Forward (MLFF) ANNs with Back Propagation Algorithm and Autoassociative Neural Networks (AANNs) is used as binary and one-class classification algorithms respectively. The optimum ANN architecture with the highest accuracy (0,72) and the lowest error (0,28) is obtained with MLFF ANNs.