7、机器学习在软件测量及项目调度中的应用

机器学习在软件测量及项目调度中的应用

1. 机器学习在软件测量中的应用

1.1 软件测量的范畴

软件测量涉及软件的内部和外部属性，涵盖软件质量、规模、开发成本、项目或软件所产生的工作量、维护任务的工作量、缺陷模块的识别，以及开发中或发布后软件测试所产生的时间或成本等方面的测量。

当我们在解决问题时没有现成的解决方案算法，或者对问题了解甚少甚至一无所知时，就可以部署机器学习（ML）模型。在这种情况下，数据能够填补问题与解决方案之间的空白。我们收集数据、训练模型，然后使用训练好的模型对未知实例进行预测和/或估计。构建基于ML的模型的过程如下：

graph LR
    A[收集数据] --> B[特征选择]
    B --> C[训练模型]
    C --> D[预测/估计]

1.2 模型评估标准

1.2.1 软件质量测量模型（分类问题）

对于软件质量测量模型这类分类问题，通常使用以下标准来评估预测器（分类器）的性能：
- 混淆矩阵 ：这是一个二维矩阵，用于表示候选预测模型对数据点的正确分类和错误分类信息。
- 灵敏度 ：指模型正确分类的“有缺陷”模块在总模块数中的百分比。
- 特异度 ：指模型正确分类的“安全”模块在总模块数中的百分比。
- ROC曲线 ：用于衡量预测模型的性能并以图形方式呈现。绘制R