Comparison of Deep Neural Networks and Regression Models for Software Effort Estimation

Abstract

Tato diplomová práce zkoumá efektivitu hlubokých neuronových sítí ve srovnání s tradičními regresními modely pro odhad softwarového úsilí. Po úvodním přehledu prediktivních technik a metrik hodnocení byla navržena strukturovaná experimentální studie porovnávající čtyři regresní modely lineární regresi, polynomiální regresi, Lasso a Ridge s dopřednou (feedforward) neuronovou sítí. Regresní modely prošly laděním pomocí grid search nejen pro své interní hyperparametry, ale také v rámci výběru příznaků (feature selection), aby bylo dosaženo optimální konfigurace pro každý přístup. Každý regresní model byl laděn nezávisle a nejlépe fungující regresní model byl poté zvolen jako základní srovnávací referenční bod vůči nejlépe fungující neuronové síti, přičemž oba modely byly hodnoceny za shodných podmínek. Modely byly testovány na reálném datasetu Use Case Points (UCP) obsahujícím 70 softwarových projektů. Pomocí trojnásobné křížové validace (3-fold cross-validation) byla predikční výkonnost měřena pomocí koeficientu determinace (R?) a střední kvadratické chyby (RMSE). Výsledky ukazují, že kompaktní neuronová síť se čtyřmi neurony ve skryté vrstvě překonala všechny regresní modely jak z hlediska přesnosti, tak i schopnosti generalizace. Zatímco regresní modely nabídly interpretovatelné výchozí hodnoty, vykazovaly vyšší rozptyl chyb a menší robustnost při zachycování složitějších vzorců. Naše zjištění jsou v souladu s předchozími studiemi, které naznačují, že neuronové sítě - pokud jsou správně nakonfigurovány - mohou překonat tradiční regresní techniky i v podmínkách s omezeným množstvím dat.