KIPS Transactions on Software and Data Engineering (정보처리학회논문지:소프트웨어 및 데이터공학)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Predicting Defect-Prone Software Module Using GA-SVM

GA-SVM을 이용한 결함 경향이 있는 소프트웨어 모듈 예측

  • 김영옥 (강릉원주대학교 컴퓨터공학과) ;
  • 권기태 (강릉원주대학교 컴퓨터공학과)
  • Received : 2012.08.10
  • Accepted : 2012.09.21
  • Published : 2013.01.31
Download PDF
⟨ Previous Next ⟩

Abstract

For predicting defect-prone module in software, SVM classifier showed good performance in a previous research. But there are disadvantages that SVM parameter should be chosen differently for every kernel, and algorithm should be performed iteratively for predict results of changed parameter. Therefore, we find these parameters using Genetic Algorithm and compare with result of classification by Backpropagation Algorithm. As a result, the performance of GA-SVM model is better.

소프트웨어의 결함 경향 모듈 예측을 위해 SVM 분류기가 우수한 성능을 보인다는 연구들이 많지만, SVM에서 필요한 파라미터 선정 시 매 커널마다 다르게 선정해야 하고, 파라미터의 변경에 따른 결과예측을 위해 알고리즘을 반복적으로 수행해야 하는 불편함이 있다. 따라서 본 논문에서는 SVM의 파라미터 선정 시 유전알고리즘을 이용하여 스스로 찾게 하는 GA-SVM 모델을 구현하였다. 그리고 분류 성능 비교를 위해 신경망의 역전파알고리즘을 이용하여 분류했던 기존 논문과 비교 분석한 결과, GA-SVM 모델의 성능이 더 우수함을 확인하였다.

Keywords

References

  1. Khoshgoftaar, T.M., Allen, E.B., Kalaichelvan, K.S., Goel, N., "Early quality prediction: a case study in telecommunications", Software, IEEE, Vol.13, Issue 1, pp.65-71, 1996.
  2. SungBack Hong, KapSu Kim, YungGun Lee, Chisu Wu, "An Early Software Reliability Prediction Method using Backpropagation Algorithm", Journal of KIISE : Software and Applications, Vol.25, Issue 11, pp.1608-1617, 1998.
  3. Ebert, C., "Fuzzy classification for software criticality analysis", Expert Systems with Applications, Vol.11, Issue 3, pp.323-342, 1996. https://doi.org/10.1016/S0957-4174(96)00048-6
  4. ByungRo Moon, "Easily Learning Genetic Algorithms", Hanbit Media, ISBN 978-89-7914-576-2, 2008.
  5. Toby Segaran, "Programming collective intelligence", O'relly, 2007.
  6. Heesung Lee, Euntai Kim, and Mignon Park, "A genetic feature weighting scheme for pattern recognition", Integrated Computer-Aided Engineering, Vol.14, Issue 2, pp.161-171, 2007.
  7. Yu, L., Wang S., Lai K. K., "Mining Stock Market Tendency Using GA-Based Support Vector Machines", Internet and Network Economics, Vol.3828, pp.336-345, 2005. https://doi.org/10.1007/11600930_33
  8. Burges, C., "A Tutorial on Support Vector Machines for Pattern Recognition", Data Mining and Knowledge Discovery, Vol.2, Issue 2, pp.121-167, 1998. https://doi.org/10.1023/A:1009715923555
  9. Pang-Ning Tan, Michael Steinbach, Vipin Kumar, "Introduction to data mining", Addison Wesley, 2007.
  10. Witten, I., Frank, E., "Data Mining: Practical Machine Learning Tools and Techniques", second ed., Morgan Kaufmann, 2005.
  11. Karim O. Elish, Mahmoud O. Elish, "Predicting defect-prone software modules using support vector machines", The Journal of Systems and Software, Vol.81, Issue 5, pp.649-660, 2008. https://doi.org/10.1016/j.jss.2007.07.040