Published January 1, 2022
| Version v1
Publication
Open
Analysis of Tree-Family Machine Learning Techniques for Risk Prediction in Software Requirements
- 1. City University of Science and Information Technology
- 2. Pakistan Institute of Engineering and Applied Sciences
- 3. King Khalid University
- 4. Qurtuba University of Science and Information Technology
Description
Risk prediction is the most sensitive and critical activity in the Software Development Life Cycle (SDLC). It might determine whether the project succeeds or fails. To increase the success probability of a software project, the risk should be predicted at the early stages. This study proposed a novel model based on the requirement risk dataset to predict software requirement risks using Tree-Family-Machine-Learning (TF-ML) approaches. Moreover, the proposed model is compared with the state-of-the-art models to determine the best-suited methodology based on the nature of the dataset. These strategies are assessed and evaluated using a variety of metrics. The findings of this study may be reused as a baseline for future studies and research, allowing the results of any proposed approach, model, or framework to be benchmarked and easily checked.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
التنبؤ بالمخاطر هو النشاط الأكثر حساسية وحرجًا في دورة حياة تطوير البرمجيات (SDLC). قد يحدد ما إذا كان المشروع ناجحًا أو فاشلًا. لزيادة احتمال نجاح مشروع البرمجيات، يجب التنبؤ بالمخاطر في المراحل المبكرة. اقترحت هذه الدراسة نموذجًا جديدًا يعتمد على مجموعة بيانات مخاطر المتطلبات للتنبؤ بمخاطر متطلبات البرامج باستخدام مناهج شجرة- عائلة- آلة- تعلم (TF - ML). علاوة على ذلك، تتم مقارنة النموذج المقترح بأحدث النماذج لتحديد المنهجية الأنسب بناءً على طبيعة مجموعة البيانات. يتم تقييم هذه الاستراتيجيات وتقييمها باستخدام مجموعة متنوعة من المقاييس. يمكن إعادة استخدام نتائج هذه الدراسة كخط أساس للدراسات والبحوث المستقبلية، مما يسمح بقياس نتائج أي نهج أو نموذج أو إطار مقترح والتحقق منها بسهولة.Translated Description (French)
La prédiction des risques est l'activité la plus sensible et la plus critique du cycle de vie du développement logiciel (SDLC). Cela pourrait déterminer si le projet réussit ou échoue. Pour augmenter la probabilité de succès d'un projet logiciel, le risque doit être prédit dès les premières étapes. Cette étude a proposé un nouveau modèle basé sur l'ensemble de données sur les risques liés aux exigences pour prédire les risques liés aux exigences logicielles à l'aide d'approches d'apprentissage automatique de la famille d'arbres (TF-ML). De plus, le modèle proposé est comparé aux modèles de pointe pour déterminer la méthodologie la mieux adaptée en fonction de la nature de l'ensemble de données. Ces stratégies sont évaluées et évaluées à l'aide d'une variété de paramètres. Les résultats de cette étude peuvent être réutilisés comme base de référence pour de futures études et recherches, permettant aux résultats de toute approche, modèle ou cadre proposé d'être comparés et facilement vérifiés.Translated Description (Spanish)
La predicción de riesgos es la actividad más sensible y crítica en el ciclo de vida del desarrollo de software (SDLC). Podría determinar si el proyecto tiene éxito o fracasa. Para aumentar la probabilidad de éxito de un proyecto de software, el riesgo debe predecirse en las primeras etapas. Este estudio propuso un modelo novedoso basado en el conjunto de datos de riesgo de requisitos para predecir los riesgos de requisitos de software utilizando enfoques de aprendizaje de máquina-familia-árbol (TF-ML). Además, el modelo propuesto se compara con los modelos más avanzados para determinar la metodología más adecuada en función de la naturaleza del conjunto de datos. Estas estrategias se evalúan y evalúan utilizando una variedad de métricas. Los hallazgos de este estudio pueden reutilizarse como referencia para futuros estudios e investigaciones, permitiendo que los resultados de cualquier enfoque, modelo o marco propuesto se evalúen y verifiquen fácilmente.Files
09888106.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:f67b2bfae2e0d0c8e9fc24d9020d6405
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تحليل تقنيات التعلم الآلي لعائلة الشجرة للتنبؤ بالمخاطر في متطلبات البرمجيات
- Translated title (French)
- Analyse des techniques d'apprentissage automatique de la famille d'arbres pour la prédiction des risques dans les exigences logicielles
- Translated title (Spanish)
- Análisis de las técnicas de aprendizaje automático de familias de árboles para la predicción de riesgos en los requisitos de software
Identifiers
- Other
- https://openalex.org/W4295886761
- DOI
- 10.1109/access.2022.3206382
References
- https://openalex.org/W1983792771
- https://openalex.org/W1996300093
- https://openalex.org/W2054979538
- https://openalex.org/W2101234949
- https://openalex.org/W2137235241
- https://openalex.org/W2154036593
- https://openalex.org/W2293797782
- https://openalex.org/W2317558540
- https://openalex.org/W2403419001
- https://openalex.org/W2406738965
- https://openalex.org/W2584036714
- https://openalex.org/W2593072142
- https://openalex.org/W2766013390
- https://openalex.org/W2772617084
- https://openalex.org/W2783657687
- https://openalex.org/W2789977158
- https://openalex.org/W2795101923
- https://openalex.org/W2795958278
- https://openalex.org/W2797516347
- https://openalex.org/W2801974413
- https://openalex.org/W2901971672
- https://openalex.org/W2907125877
- https://openalex.org/W2908454557
- https://openalex.org/W2911253733
- https://openalex.org/W2911832600
- https://openalex.org/W2913474130
- https://openalex.org/W2944826081
- https://openalex.org/W2947615792
- https://openalex.org/W3000941819
- https://openalex.org/W3011059195
- https://openalex.org/W3011408237
- https://openalex.org/W3018543397
- https://openalex.org/W3088005007
- https://openalex.org/W3106966828
- https://openalex.org/W3124708330
- https://openalex.org/W3129952141
- https://openalex.org/W3139369346
- https://openalex.org/W3148181069
- https://openalex.org/W3168215860
- https://openalex.org/W4205680192
- https://openalex.org/W4213103335
- https://openalex.org/W4221118825
- https://openalex.org/W4248220371