4、软件工作量预测与数据挖掘技术解析

软件工作量预测与数据挖掘技术解析

1. 软件工作量预测技术对比

在软件工作量预测中，混合搜索算法（HSBAs）和机器学习技术（MLTs）是两种常用的方法。通过对相关指标的观察发现，HSBAs的平均绝对误差（MAE）和均方根误差（RMSE）值低于MLTs，但在不同数据集上的pred(0.30)和平均相对误差（MMRE）值并不统一。
为了从统计学角度评估HSBAs和MLTs在软件工作量预测方面的性能，采用了Wilcoxon符号秩检验（一种非参数检验方法）。具体提出了以下假设：
- 关于RMSE的假设 ：
- 原假设：MLTs和HSBAs在软件工作量预测的RMSE性能方面是等效的。
- 备择假设：MLTs和HSBAs在软件工作量预测的RMSE性能方面是不等效的。
检验结果显示，检验统计量V = 45，p值 = 0.003906，由于p值 < 0.05，因此拒绝原假设，即MLTs和HSBAs在RMSE方面具有统计学差异。
- 关于pred(0.30)的假设 ：
- 原假设：MLTs和HSBAs在软件工作量预测的pred(0.30)性能方面是等效的。
- 备择假设：MLTs和HSBAs在软件工作量预测的pred(0.30)性能方面是不等效的。
检验结果为V = 26，p值 = 0.7344，因为p值 > 0.05，所以接受原假设，即MLTs和HSBAs在pred(0.30)方面具有统计学等效性。

以下是部分混合算法在COCOMO NASA v1和v2数据集上的性能表现：

COCOMO NASA v