تأثیر ترکیب روش‌های انتخاب ویژگی فیلتر و بسته‌بندی در بهبود پیش‌بینی اشکال نرم‌افزار

حفظ کیفیت محصول نرم‌افزاری با آزمون‌های دوره‌ای قبل از نصب، یکی از پرهزینه‌ترین فعالیت‌ها در پروژه‌های فناوری اطلاعات است. با توجه به منابع محدود برای آزمون ماژول‌ها در پروژه‌های نرم‌افزاری، بهتر است ابتدا ماژول‌های مستعد اشکال شناسایی شوند و منابع آزمون در جهت شناسایی اشکال در این ماژول‌ها متمرکز گردند. پیش‌بینی‌کننده‌های اشکال مبتنی بر الگوریتم‌های یادگیری ماشین، ابزارهای مقرون‌به‌صرفه‌ای برای شناسایی ماژول‌های مستعد اشکال هستند. پژوهش‌های گسترده‌ای در این حوزه برای یافتن ارتباط بین ویژگی‌های ماژول‌های نرم‌افزاری و مستعد اشکال بودن آن‌ها صورت پذیرفته است. برخی از این ویژگی‌ها در الگوریتم‌های پیش‌بینی‌کننده به‌گونه‌ای هستند که نه‌تنها سبب بهبود دقت در فرآیند یادگیری نمی‌شوند بلکه کاهش دقت را نیز در پی خواهند داشت. در این پژوهش با توجه به عملکرد خوب روش انتخاب ویژگی روبه‌جلو در انتخاب ویژگی‌های مؤثر، زیرمجموعه اولیه در این روش با استفاده از تلفیق ویژگی‌های با رتبه بالا در روش‌های مختلف فیلتر انتخاب می‌شود. روش پیشنهادی علاوه‌بر بهبود دقت سبب افزایش سرعت همگرایی در انتخاب ویژگی می‌شود. نتایج حاصل از پیاده‌سازی و ارزیابی نتایج تجربی به‌دست‌آمده در دادگان ناسا با معیار AUC، بیانگر مؤثر بودن روش پیشنهادی در بهبود دقت و سرعت پیش‌بینی ماژول‌های نرم‌افزاری مستعد اشکال است.