Submitted by PPG Ci?ncia da Computa??o (ppgcc@pucrs.br) on 2018-10-04T18:59:57Z
No. of bitstreams: 1
LUCIANO_ ALVES_DIS.pdf: 1077045 bytes, checksum: ddcbf3be03bec1c7a82f3e07252439a0 (MD5) / Rejected by Sheila Dias (sheila.dias@pucrs.br), reason: Devolvido deviso ? inconsist?ncia de datas no arquivo pdf. Na capa institucional, na ficha catalogr?fica e na folha da banca est? 2016 e na folha de rosto 2018. on 2018-10-05T16:43:09Z (GMT) / Submitted by PPG Ci?ncia da Computa??o (ppgcc@pucrs.br) on 2018-10-08T18:31:55Z
No. of bitstreams: 1
LUCIANO_ ALVES_DIS.pdf: 1076874 bytes, checksum: 70823493135f9ec1a577db83eefbd19c (MD5) / Approved for entry into archive by Caroline Xavier (caroline.xavier@pucrs.br) on 2018-10-09T16:36:57Z (GMT) No. of bitstreams: 1
LUCIANO_ ALVES_DIS.pdf: 1076874 bytes, checksum: 70823493135f9ec1a577db83eefbd19c (MD5) / Made available in DSpace on 2018-10-09T16:43:56Z (GMT). No. of bitstreams: 1
LUCIANO_ ALVES_DIS.pdf: 1076874 bytes, checksum: 70823493135f9ec1a577db83eefbd19c (MD5)
Previous issue date: 2016-09-23 / Software fault prediction is a significant part of software quality assurance and it is commonly used to detect faulty software modules based on software measurement data. Several machine learning based approaches have been proposed for generating predictive models from collected data, although none has become standard given the specificities of each software project. Hence, we believe that recommending the best algorithm for each project is much more important and useful than developing a single algorithm for being used in any project. For achieving that goal, we propose in this dissertation a novel framework for recommending machine learning algorithms that is capable of automatically identifying the most suitable algorithm according to the software project that is being considered. Our solution, namely FMA-PFS, makes use of the metalearning paradigm in order to learn the best learner for a particular project. Results show that the FMA-PFS framework provides both the best single algorithm recommendation and also the best ranking recommendation for the software fault prediction problem. / A predi??o de falhas de software ? uma parte significativa da garantia de qualidade do software e ? normalmente utilizada para detectar m?dulos propensos a falhar baseados em dados coletados ap?s o processo de desenvolvimento do projeto. Diversas t?cnicas de aprendizado de m?quina t?m sido propostas para gera??o de modelos preditivos a partir da coleta dos dados, por?m nenhuma se tornou a solu??o padr?o devido as especificidades de cada projeto. Por isso, a hip?tese levantada por este trabalho ? que recomendar algoritmos de aprendizado de m?quina para cada projeto ? mais importante e ?til do que o desenvolvimento de um ?nico algoritmo de aprendizado de m?quina a ser utilizado em qualquer projeto. Para alcan?ar este objetivo, prop?e-se nesta disserta??o um framework para recomendar algoritmos de aprendizado de m?quina capaz de identificar automaticamente o algoritmo mais adequado para aquele projeto espec?fico. A solu??o, chamada FMA-PFS, faz uso da t?cnica de meta-aprendizado, a fim de aprender o melhor algoritmo para um projeto em particular. Os resultados mostram que o framework FMA-PFS recomenda tanto o melhor algoritmo, quanto o melhor ranking de algoritmos no contexto de predi??o de falhas de software.
Identifer | oai:union.ndltd.org:IBICT/oai:tede2.pucrs.br:tede/8312 |
Date | 23 September 2016 |
Creators | Alves, Luciano |
Contributors | Barros, Rodrigo Coelho |
Publisher | Pontif?cia Universidade Cat?lica do Rio Grande do Sul, Programa de P?s-Gradua??o em Ci?ncia da Computa??o, PUCRS, Brasil, Escola Polit?cnica |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | English |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Biblioteca Digital de Teses e Dissertações da PUC_RS, instname:Pontifícia Universidade Católica do Rio Grande do Sul, instacron:PUC_RS |
Rights | info:eu-repo/semantics/openAccess |
Relation | 1974996533081274470, 500, 500, -862078257083325301 |
Page generated in 0.0059 seconds