Defect severity code prediction basedon ensemble learning

• Autorzy: Aldabagh Ghada M.T. , Hasoon Safwan O.

Identyfikatory

DOI

10.35784/iapgos.6393

Warianty tytułu

PL

Przewidywanie wagi defektu kodu na podstawie uczenia zespołowego

• Języki publikacji: EN

Abstrakty

EN

In machine learning, learning algorithms that learn from other algorithms are called meta-learning. New algorithms called Ensemble algorithms have surfaced as a viable method to improve defect prediction models' accuracy and dependability. In software development defect prediction of software engineering is still a big challenge, and leads to the failure of systems, increases the cost of maintenance, and makes the development process more difficult. Consequently, defect prediction systems have become more popular as a way to foresee possible flaws early on in the development process. Defect prediction is the process that specifies the possible defects in the code written newly or the existing modified code without the use of code testing.This paper introduces ensemble learning ideas, reviews the traditional defect prediction models, and investigates ensemble learning techniques for defect classification and prediction such as bagging, boosting, stacking, and random forests, Case studies and actualexperiments illustrate the important roleof ensemble algorithms in classifying five severity types of defects and predicting the severity code of defects to improve the software development process by reducing the time and effort needed to determine the type of defect.

PL

W uczeniu maszynowym algorytmy uczenia się, które uczą się na podstawie innych algorytmów, nazywane są metauczeniem. Pojawiłysię nowe algorytmy zwane algorytmami Ensemble jako realna metoda poprawy dokładności i niezawodności modeli przewidywania defektów. W rozwoju oprogramowania przewidywanie defektów w inżynierii oprogramowania jest nadal dużym wyzwaniem i prowadzi do awarii systemów, zwiększa koszty utrzymania i utrudnia proces tworzenia oprogramowania. W rezultacie systemy przewidywania defektów stały się coraz bardziej popularne jako sposób przewidywania możliwych wad na wczesnym etapie procesu rozwoju. Przewidywanie defektów to proces, który określa możliwe defekty w nowo napisanym kodzie lub istniejącym zmodyfikowanym kodzie bez użycia testowania kodu. W artykule przedstawiono koncepcje uczenia się zespołowego, dokonano przeglądu tradycyjnych modeli przewidywania defektów i zbadano techniki uczenia się zespołowego do klasyfikacji i przewidywania defektów, takiejak pakowanie, wzmacnianie, układanie w stosy i lasy losowe. Studia przypadków i rzeczywiste eksperymenty ilustrują ważną rolę algorytmów zespołowych w klasyfikacji pięć typów ważności defektów i przewidywanie kodu ważności defektów w celu usprawnienia procesu tworzenia oprogramowania poprzez skrócenie czasu i wysiłku potrzebnego do określenia rodzaju defektu.

Słowa kluczowe

EN

defect prediction; ensemble algorithm; software development; software engineering

PL

przewidywanie defektu; algorytm zespołowy; tworzenie oprogramowania; inżynieria oprogramowania

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 4
• Strony: 146--153
• Opis fizyczny: Bibliogr. 21 poz., tab., wykr.

Twórcy

autor

Aldabagh Ghada M.T.

• University of Mosul, Department Computer Sciences and Mathematics, Mosul, Iraq

• https://orcid.org/0000-0002-4673-2288

autor

Hasoon Safwan O.

• University of Mosul, Department Computer Sciences and Mathematics, Mosul, Iraq

• https://orcid.org/0000-0002-3653-3568

Bibliografia

• [1] Alnaish Z. A. H., Hasoon S. O.: Hybrid binary whale optimization algorithm based on taper shaped transfer function for software defect prediction. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska 13(4), 2023, 85–92 [https://doi.org/10.35784/iapgos.4569].
• [2] Alsaeedi A., Khan M. Z.: Software defect prediction using supervised machine learning and ensemble techniques: a comparative study. Journal of Software Engineering and Applications 12(5), 2019, 85–100 [http://www.scirp.org/journal/jsea].
• [3] Azam M., Nouman M., Gill A. R.: Comparative Analysis of Machine Learning techniques to Improve Software Defect Prediction. KIET Journal of Computing & Information Sciences – KJCIS 5, 2022, 41–66 [https://doi.org/10.51153/kjcis.v5i2].
• [4] Bakhur N.: What Causes Software Bugs,Types of Defects in Software Testing, May 21, 2024, [https://neklo.com/blog/what-causes-software-bugs].
• [5] Brazdil P. et al.: Metalearning: applications to automated machine learning and data mining. Springer Nature, 2022.
• [6] Brownlee J.: What are the Benefits of Ensemble Methods for Machine Learning. 2021 [https://machinelearningmastery.com/why-use-ensemble-learning].
• [7] Chmielowski L., Kucharzak M., Burduk R.: Application of Explainable Artificial Intelligence in Software Bug Classification. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska 13(1), 2023, 14–17 [https://doi.org/10.35784/iapgos.3396].
• [8] Dada E. G. et al.: Advances in Machine Learning & Artificial Intelligence, 2021 [http://www.opastonline.com].
• [9] Haldar S., Capretz L. F.: May. Explainable Software Defect Prediction from Cross Company Project Metrics using Machine Learning. 7th International Conference on Intelligent Computing and Control Systems (ICICCS). India, Madurai, 2023, 150–157 [https://doi.org/10.1109/ICICCS56967.2023.10142534].
• [10] Kumar H., Saxena V.: Software Defect Prediction Using Hybrid Machine Learning Techniques: A Comparative Study. Journal of Software Engineering and Applications 17(4), 2024, 155–171.
• [11] Li R. et al.: Software defect prediction based on ensemble learning. International conference on data science and information technology. USA, New York, NY, 2019, 1–6 [https://doi.org/10.1145/3352411.3352412].
• [12] Matloob F. et al.: Software defect prediction using ensemble learning: A systematic literature review. IEEE Access 9, 2021, 98754–98771.
• [13] Mienye I. D. Sun Y.: A survey of ensemble learning: Concepts, algorithms, applications, and prospects. IEEE Access 10, 2022, 99129–99149 [https://creativecommons.org/licenses/by/4.0/99].
• [14] Mohammed A., Kora R.: A comprehensive review on ensemble deep learning: Opportunities and challenges. Journal of King Saud University-Computer and Information Sciences 35(2), 2023, 757–774.
• [15] Olaleye, T. O. et al.: Predictive analytics and software defect severity: A systematic review and future directions. Scientific Programming 1, 2023, 6221388 [https://doi.org/10.1155/2023/6221388].
• [16] Pandey S. K., Mishra R. B., Tripathi A. K.: BPDET: An effective software bug prediction model using deep representation and ensemble learning techniques. Expert Systems with Applications 144, 2020, 113085 [https://doi.org/10.1016/j.eswa.2019.113085].
• [17] Prabha C. L. Shivakumar N.: Software defect prediction using machine learning techniques. 4th International Conference on Trends in Electronics and Informatics (ICOEI) (48184). India, Tirunelveli, 2020, 728–733.
• [18] Rathore S. S., Kumar S.: An empirical study of ensemble techniques for software fault prediction. Applied Intelligence 51, 2021, 3615–3644.
• [19] Rathore S. S., Kumar S.: Linear and non-linear heterogeneous ensemble methods to predict the number of faults in software systems. Knowledge-Based Systems 119, 2017, 232–256 [https://doi.org/10.1016/j.knosys.2016.12.017].
• [20] Tang Y. et al.: Software defect prediction ensemble learning algorithm based on adaptive variable sparrow search algorithm. International Journal of Machine Learning and Cybernetics 14(6), 2023, 1967–1987.
• [21] Tong H., Liu B., Wang S.: Software defect prediction using stacked denoising autoencoders and two-stage ensemble learning. Information and Software Technology 96, 2018, 94–111 [https://doi.org/10.1016/j.infsof.2017.11.008].