MULTI-OBJECTIVE SOFTWARE PROJECT COST ESTIMATION USING RECENT MACHINE LEARNING APPROACHES

Yıl 2024, Cilt: 04 Sayı: 01, 1 - 14, 31.07.2024

Doğay Derya Osman Berkcan Derya Tansel Dökeroğlu

Öz

Software projects are gaining strategic importance day by day, even in the daily operations of companies in various sectors. With the increasing need, many companies develop software by creating projects both within their own structure and for the needs of different sectors. Accurately estimating the workforce needed for software projects is crucial to accurately estimating project costs and ensuring timely completion. Since the 1970s, the field of software effort estimation has been the subject of extensive research in the literature. While non-algorithmic methods such as expert opinion were used in the beginning, as the problems became more complex and technology and hardware features diversified, the need for different solution approaches emerged. To overcome these difficulties, algorithmic methods such as regression and model-based estimation have been developed. In recent years, however, with advances in technology, especially in the last decade, there has been a growing interest in applying Machine Learning-based models and Artificial Intelligence to software cost estimation. The focus of this study is to explore Machine Learning based prediction methods in the context of software projects. The aim is to analyze their effectiveness by investigating how these methods can improve software cost estimation.

Anahtar Kelimeler

Software Cost Estimation, Software Effort Estimation, Artificial Intelligence, Machine Learning, Feature Selection

GÜNCEL MAKİNE ÖĞRENME YAKLAŞIMLARINI KULLANARAK YAZILIM PROJESİ MALİYET TAHMİNİ

Öz

Yazılım projeleri, çeşitli sektörlerdeki şirketlerin günlük operasyonlarında dahi günden güne stratejik önem kazanmaktadır. Artan ihtiyaçla birçok şirket gerek kendi bünyesinde, gerekse farklı sektörlerin ihtiyacına yönelik olarak projeler yaratarak yazılımlar geliştirmektedir. Yazılım projeleri için ihtiyaç duyulan işgücünü doğru tahmin etmek, proje maliyetlerini doğru tahmin etmek ve zamanında tamamlanmasını sağlamak için çok önemlidir.
1970'lerden bu yana, yazılım efor tahmini alanı, literatürde kapsamlı araştırmaların konusu olmuştur. Başlangıçta uzman görüşü gibi algoritmik olmayan yöntemler kullanılırken, sorunlar karmaşıklaştıkça, teknoloji ve donanım özellikleri çeşitlendikçe farklı çözüm yaklaşımlarına olan ihtiyaç da ortaya çıkmıştır. Bu zorlukların üstesinden gelmek için regresyon ve model tabanlı tahmin gibi algoritmik yöntemler geliştirilmiştir. Son yıllarda ise, özellikle son on yılda olmak üzere teknolojideki gelişmelerle birlikte, Makine Öğrenimi tabanlı modelleri ve Yapay Zekayı yazılım maliyet tahminine uygulamaya yönelik artan bir ilgi olmuştur.
Bu çalışmanın odak noktası, yazılım projeleri bağlamında Makine Öğrenimi tabanlı tahmin yöntemlerini keşfetmektir. Amaç, bu yöntemlerin yazılım maliyet tahminini nasıl iyileştirebileceğini araştırarak, etkinliklerini analiz etmektir.

Anahtar Kelimeler

Yazılım Maliyet Tahmini, Yazılım Efor Tahmini, Yapay Zeka, Makine Öğrenimi, Özellik Seçimi

Destekleyen Kurum

ÇANKAYA ÜNİVERSİTESİ

Kaynakça

• [1] LIU Qin and MINTRAM Robert C. (2005), "Preliminary Data Analysis", Software Quality Journal, Volume 13, pp. 91-115.
• [2] SONER Taner (2014), Parametrik Tahmin Modellerinin Yazılım Projelerine Uygulanmasına Yönelik Bir Yazı- lım Paketinin Geliştirilmesi (Master’s Thesis), Ankara University Institute of Science, Ankara.
• [3] RIJWANI Poonam and JAIN Sonal (2016), "Enhanced Software Effort Estimation using Multi Layered Feed Forward Artificial Neural Network Technique", Procedia Computer Science, Volume 89, pp. 307-312.
• [4] SAYYAD Shirabad and MENZIES Tim (2005), The PROMISE Repository of Software Engineering Databases, School of Information Technology and Engineering University of Ottawa, Canada, http://promise.site.uot- tawa.ca/SERepository, DoA. 05.03.2023.
• [5] DANASINGH Asir Antony, BALAMURUGAN Suganya and EPIPHANY Jebamalar Leavline (2016), "Lite- rature Review on Feature Selection Methods for High-Dimensional Data", International Journal of Com- puter Applications, Volume 136, No 10, pp. 9-17.
• [6] DOKEROGLU Tansel, SEVINC Ender, KUCUKYILMAZ Tayfun and COSAR Ahmet (2019), "A survey on new generation metaheuristic algorithms", Computers & Industrial Engineering, Volume 137, pp. 106040, DOI: 10.1016/j.cie.2019.106040. DoA. 08.07.2023.
• [7] ERGUZEL Turker, OZEKES Serhat, TAN Oguz and GULTEKIN Selahattin (2015), "Feature Selection and Classification of Electroencephalographic Signals an Artificial Neural Network and Genetic Algorithm Based Approach", Clinical EEG and Neuroscience, Volume 46, No 4, pp. 321-326.
• [8] ORESKI Stjepan and ORESKI Goran (2014),"Genetic algorithm-based heuristic for feature selection in credit risk assessment", Expert systems with applications, Volume 41, No 4, pp. 2052-2064.
• [9] WANG Yanqiu, CHEN Xiaowen, JIANG Wei, LI Li, LI Wei, YANG Lei, LIAO Mingzhi, LIAN Baofeng, LV Yingli, WANG Shiyuan, WANG Shuyuan and LI Xia (2011), "Predicting human microRNA precursors based on an optimized feature subset generated by GA–SVM", Genomics, Volume 98, No 2, pp. 73-78.
• [10] YANG He, DU Qian and CHEN Genshe (2012), "Particle swarm optimization-based hyperspectral dimensio- nality reduction for urban land cover classification", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Volume 5, No 2, pp. 544-554.
• [11] DOKEROGLU Tansel, DENIZ Ayca and KIZILOZ Hakan Ezgi (2022), "A comprehensive survey on recent metaheuristics for feature selection", Neurocomputing, Volume 494, No 14, pp. 269-296.
• [12] RUIZ Roberto, RIQUELME Jose C. and AGUILAR-RUIZ Jesus S. (2006), "Incremental wrapper-based gene selection from microarray data for cancer classification", Pattern Recognition, Volume 39, No 12, pp. 2383-2392.
• [13] LIU Huan and YU Lei (2005), "Toward integrating feature selection algorithms for classification and cluste- ring", IEEE Transactions on Knowledge and Data Engineering, Volume 17, No 4, pp. 491-502.