Với sự hỗ trợ của matlab cộng với việc số lượng file thu thập chưa phải là lớn nên thời gian thực thi khá nhanh.
- Đối với các trường hợp dự đoán kiểu một - một, thời gian trung bình chạy là 0.35s / 1 lần thực nghiệm.
- Đối với các trường hợp dự đoán kiểu một - nhiều, thời gian trung bình chạy là 0.43s / 1 lần thực nghiệm.
- Với việc chạy 20 trường hợp kiểm thử bao gồm cả hai kiểu trên thì thời gian chạy là: 7.22s.
3.5. Kết luận chương
Chương ba của đồ án đã trình bày quá trình thực nghiệm và đánh giá kết quả, so sánh giữa cách tiếp cận CCA được đề xuất với cách tiếp cận TCA. Quá trình thực nghiệm đã cho ra những kết quả tích cực khi phương pháp CCA cho kết quả khá tốt ở tất cả các độ đo. Điều đó giúp luận văn khẳng định tính khả thi của cách tiếp cận đã đề ra cũng như tính đúng đắn của những vấn đề lý thuyết đã trình bày trong chương hai.
KẾT LUẬN
Dự đoán lỗi nói chung và dự đoán lỗi liên dự án nói riêng là những vấn đề được rất nhiều nhà nghiên cứu quan tâm trong thời gian gần đây. Giải quyết được vấn đề này cũng là giải quyết được một phần bài toán về chi phí khi thực hiện phát triển dự án. Dự đoán lỗi nếu được thực hiện sớm và đủ tốt sẽ góp phần giảm các chi phí bảo trì phát sinh sau này, đồng thời giúp cải thiện khá tốt chất lượng của hệ thống phần mềm.
Luận văn đã nêu tổng quan những vấn đề liên quan đến bài toán dự đoán lỗi nói chung, dự đoán lỗi liên dự án nói riêng, các cách tiếp cận. Đặc biệt luận văn chú trọng và trình bày các vấn đề lý thuyết, giải thuật của phương pháp CCA cũng như chi tiết các bước để thực thi phương pháp đó. Phương pháp đã cho thấy những kết quả tích cực, điều này được trình bày trong chương cuối cùng luận văn.
DANH MỤC TÀI LIỆU THAM KHẢO
[1] Humphrey, W., “Why big software projects fail: The 12 key questions.”, The Journal of Defense Software Engineering, Vol. 18, pp. 25–29, 2005.
[2] The Standish Group, “Chaos Report”, 1995, http://www.cs.nmt.edu/ cs328/reading/Standish.pdf – last visited 15th of June, 2008.
[3] Jones, C., “Patterns of Large Software Systems: Failure and Success”, Computer , Vol. 28, No. 3, pp. 86–87, 1995.
[4] Brooks, F. P., Jr., The mythical man-month (anniversary ed.), Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA, 1995.
[5] Verner, J., J. Sampson, and N. Cerpa, “What factors lead to software project failure?”, Research Challenges in Information Science, 2008. RCIS 2008. Second International Conference on, pp. 71 –80, june 2008.
[6] N. Nagappan and T. Ball, “Use of relative code churn measures to predict system defect density,” in Proceedings of ICSE 2005. ACM, 2005, pp. 284–292. [7] A. E. Hassan, “Predicting faults using the complexity of code changes,” in Proceedings of ICSE 2009, 2009, pp. 78–88
[8] N. Nagappan and T. Ball, “Static analysis tools as early indicators of pre-release defect density,” in Proceedings of ICSE 2005. ACM, 2005, pp. 580–586.
[9] T. Zimmermann and N. Nagappan, “Predicting defects using network analysis on dependency graphs,” in Proceedings of ICSE 2008, 2008.
[10] A. Marcus, D. Poshyvanyk, and R. Ferenc, “Using the conceptual cohesion of classes for fault prediction in objectoriented systems,” IEEE Trans. Software Eng., vol. 34, no. 2, pp. 287–300, 2008.
[11] Y. Shi, Z. Lan, W. Liu, W. Bi, Extending semi-supervised learning methods for inductive transfer learning, In: Ninth IEEE International Conference on Data Mining, 2009, pp. 483–492.
[12] T. Kamishima, M. Hamasaki, S. Akaho, TrBagg:A Simple Transfer Learning Method and Its Application to Personalization in Collaborative Tagging, in: Proceedings of the IEEE International Conference on Data Mining (ICDM), 2009, pp. 219–228.
[13] Transfer Defect Learning Jaechang Nam , Sinno Jialin Pan†, and Sunghun Kim Department of Computer Science and Engineering, The Hong Kong University of Science and Technology, China
[14] Jaechang Nam, Sinno Jialin Pan, and Sunghun Kim. Transfer defect learning. [15] Thomas Zimmermann, Nachiappan Nagappan, Harald Gall, Emanuel Giger, Brendan Murphy. Cross-project Defect Prediction, 2009.
[16] G. Canfora, A. De Lucia, M. Di Penta, R. Oliveto, A. Panichella, and S. Panichella. Multi-objective cross-project defect prediction. In IEEE 6th International Conference on Software Testing, Verification and Validation (ICST),
pages 252-261, 2013.
[17] S. Herbold. Training data selection for cross-project defect prediction. In Proceedings of the 9th International Conference on Predictive Models in Software
Engineering (PROMISE), pages 6-16, 2013.
[18] B. Zhang and Z. Z. Shi. Classification of big velocity data via cross-domain canonical correlation analysis. In International Conference on Big Data, pages 493- 498, 2013.
[19] B. Turhan, A. T. Mısırlı, and A. Bener. Empirical evaluation of the effects of mixed project data on learning defect predictors. Information and Software Technology, 55(6):1101-1118, 2013
[20] X.Y.Jing,R.M.Hu,Y.P.Zhu,S.S.Wu,C.Liang,andJ. Y. Yang. Intra-view and inter-view supervised correlation analysis for multi-view feature learning. In 28th AAAI Conference on Artificial Intelligence (AAAI), pages 1882- 1889, 2014.
[21] P. Baldi, S. Brunak, Y. Chauvin, C. A. Andersen, and H. Nielsen. Assessing the accuracy of prediction algorithms for classification: an overview.
Bioinformatics, 16(5):412-424, 2000
[22] W. Li, L. Duan, D. Xu, and I. W. Tsang. Learning with augmented features for supervised and semi-supervised heterogeneous domain adaptation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(6):1134-1148,
2014.
[23] F. Peters, T. Menzies, and A. Marcus. Better cross company defect prediction.
In 10th IEEE Working Conference on Mining Software Repositories (MSR), pages
409-418, 2013
[25] M. Shepperd, Q. Song, Z. Sun, and C. Mair. Data quality: some comments on the NASA software defect datasets. IEEE Transactions on Software Engineering,
39(9):1208-1215, 2013.
[26] R. Wu, H. Zhang, S. Kim, and S. C. Cheung. Relink: recovering links between bugs and changes. In Proceedings of the 19th ACM SIGSOFT Symposium and the 13th European Conference on Foundations of Software Engineering (ESEC/FSE),
pages 15-25, 2011.
[27] M. D’Ambros, M. Lanza, and R. Robbes. An extensive comparison of bug prediction approaches. In 7th IEEE Working Conference on Mining Software Repositories (MSR), pages 31-41, 2010.
[28] Personal Defect Prediction. Link:
http://www.slideshare.net/hunkim/personalized-defect-prediction-conference-1 [29] Proposed software defect prediction framework. Link:
https://www.researchgate.net/figure/220069857_fig1_Fig-1-Proposed-software- defect-prediction-framework
[30] Chen Songcan. In Canonical Correlation Analysis (CCA), íts variants with applications.
[31] Ming Cheng, Guoqing Wu, Min Jiang, Hongyan Wan , Guoan You and Mengting Yuan. In Heterogeneous Defect Prediction via Exploiting Correlation Subspace.