برسی روش های کلاسه بندی در پیش بینی خطای نرم افزار

برسی روش های کلاسه بندی در پیش بینی خطای نرم افزار

فرمت فایل دانلودی: .docx
فرمت فایل اصلی: docx
تعداد صفحات: 55
حجم فایل: 791
قیمت: : 24000 تومان

بخشی از متن:
چکیده:
امروزه، سیستم های نرم افزاری، به طور فزاینده ای پیچیده و متنوع شده اند. لذا شناسایی و تصحیح خطا به طور مداوم در نرم افزار بسیار مهم است. بنابراین، پیش بینی دقیق اینکه آیا یک نهاد نرم افزار شامل خطای طراحی است می تواند به بهبود کیفیت سیستم نرم افزار کمک کند.برای پیش بینی خطاپذیری ماژول های نرم افزاری، به متریک های نرم افزاری نیاز است. نرم افزار استفاده شده است. یادگیری ماشین روی توسعه برنامه های کامپیوتری  که می توانند با داده های جدید در معرض آموزش قرار گیرند، تمرکز دارد. توانایی یک ماشین در یادگیری به منظور بهبود عملکرد آن بر اساس نتایج قبلی است. برای این منظور، از روش های یادگیری ماشین های مختلف استفاده می شود یکی از مسائل اصلی مطرح شده در یادگیری ماشین است و بسیاری از (Classification) مسئله دسته بندی مسائل را میتوان به صورت یک مسئله دسته بندی مطرح کرده و حل کرد. از طرفی در یادگیری ماشین نیز روش های مختلفی برای حل مسئله دسته بندی صورت گرفته است.یکی از روش هایی که در حال حاضر به صورت گسترد ه ای برای مسئله دسته بندی مورد استفاده قرار می گیرد،است. شاید به گونه ای بتوان محبوبیت کنونی روش ماشین بردار پشتیبان را با (SVM) روش ماشین بردار پشتیبان محبوبیت شبکه های عصبی در دهه گذشته مقایسه کرد. علت این قضیه نیز قابلیت استفاده این روش در حل مسائل گوناگون می باشد، در حالیکه رو ش هایی مانند درخت تصمیم گیری را نمی توان به را حتی در مسائل مختلف به کار برد.

فهرست مطالب:
چکیده
فصل اول: مبانی پیش بینی خطای نرم افزار
1-1-پیشگفتار
1-2-هدف از انجام پژوهش
1-3- مدلهای مختلف پیش بینی خطا در نرم افزار
1-4-روشهای مختلف برای مدل سازی پیش بینی خطا در نرم افزار
فصل دوم: روشهای یادگیری ماشین در مدل سازی پیش بینی خطا در نرم افزار
2-1- روشهای یادگیری ماشین در مدل سازی پیش بینی خطا در نرم افزار
2-2-روشهای کاهش ویژگی
2-3- روشهای رگرسیون
2-3-1-روش کلاسه بند شبکه بیزین
2-3-2-روش تحلیل جداساز
2-3-3-روش رگرسیون منطقی
2-4-روش های کلاسه بندی
2-4-1- روشهای یادگیری ماشین مبتنی بر درخت
2-4-2- روشهای یادگیری ماشین مبتنی بر شبکه های عصبی
2-5- روشهای ترکیبی
2-5-1- روش  Bagging
2-5-2-بوستینگ
2-6- روش جنگل تصادفی
2-7- ترکیب جدایی ناپذیر فازی بر اساس GA-FM
2-8-مزایا و محدودیت های هر تکنیک های مختلف
2-9- فرکانس استفاده از هر یک از روش های یادگیری
فصل سوم: ماشین‌های بردار پشتیبان
3-1- مقدمه
3-2-نحوه مدلسازی رفتار نرم‌افزار و کاربردهای آن
3-3- مدلسازی رفتار نرم‌افزار با استفاده از روش طبقه‌بندی
3-4-روشهای یادگیری ماشین مبتنی بر هسته
3-5-روش طبقه‌بندی ماشین بردار پشتیبان
3-5-1-نحوه تشکیل ابرسطح جداکننده توسط ماشین بردار پشتیبان
صورت اولیه مسأله
3-6- نحوه حل مسأله در حالت کلی
حل مسأله اصلی
مسأله همزاد
3-7-نرم افزار  LIBSVM
فصل چهارم: داده های مورد ارزیابی در پیش بینی خطا
4-1-طبقه بندی  بر اساس داده های ورودی / خروجی
4-2-دادگان ارزیابی پراستفاده در پیش بینی خطای نرم افزار
4-3-متریک های پراستفاده و مهمِ دادگان ارزیابی پیش بینی خطا
4-4-معیارهای ارزیابی مدلهای پیشبینی خطا در نرم افزار
4-4-1-تجزیه و تحلیل شاخص گیرنده های عامل
4-5-نحوه اعتبارسنجی دادگان ارزیابی خطا در نرم افزار
4-6- پژوهش های پیش رو در مدلسازی پیش بینی خطا در نرم افزار
فهرست منابع
فهرست جداول
فهرست شکل ها
فهرست علایم، نشانه ها و مخفف ها

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.