.png){kind=icon}
返回
An Alternative Software Benchmarking Dataset: Effort Estimation with Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jss.2025.112591.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工作量估算是软件项目规划中的关键环节，因为准确估算所需人力资源对于项目成功至关重要。传统估算模型通常依赖历史规模和工时数据，但组织在获取可靠工时记录方面常面临困难。公开基准数据集如ISBSG虽提供有用数据，但可能存在覆盖不足或涉及许可费用的问题。为解决此问题，我们先前引入了一个免费、可扩展的基准数据集，整合了18项研究中提取的功能规模和工时数据。本研究考察了我们的数据集在预测工时估算中的有效性，并与广泛使用的ISBSG数据集进行了比较。分析包含我们数据集中的337条记录和732个ISBSG项目，重点关注具有COSMIC规模数据的项目。首先，我们开发了基于线性回归和九种机器学习算法（贝叶斯岭回归、岭回归、决策树、随机森林、XGBoost、LightGBM、k近邻、多层感知器、支持向量回归）的模型并进行比较。随后，我们选取表现最佳的模型，应用于未见过的评估数据集，以评估其泛化性能。结果表明，机器学习性能因评估方法和数据集特征而异。尽管记录较少，我们的数据集在多数情况下实现了比ISBSG更准确的预测，凸显了其在工时估算中的潜力。本研究证明了该数据集用于构建预测模型的可行性，并支持通过机器学习提升估算精度的应用。扩展此数据集有望为寻求高效、低成本估算解决方案的组织提供有价值的开放资源。
Keyword:
software effort estimation
machine learning
benchmarking dataset
COSMIC functional size
predictive modeling
