Трьохфакторна нелінійна регресійна модель для оцінювання розміру PHP-застосунків з відкритим кодом

Скорочена інформація про документ
dc.contributor.authorПриходько, С. Б.
dc.contributor.authorПриходько, Н. В.
dc.contributor.authorФаріонова, Т. А.
dc.contributor.authorВорона, М. В.
dc.contributor.authorPrykhodko, S. B.
dc.contributor.authorPrykhodko, N. V.
dc.contributor.authorFarionova, T. A.
dc.contributor.authorVorona, M. V.
dc.date.accessioned2022-06-20T12:16:37Z
dc.date.available2022-06-20T12:16:37Z
dc.date.issued2020
dc.descriptionТрьохфакторна нелінійна регресійна модель для оцінювання розміру PHP-застосунків з відкритим кодом = Three-factor non-linear regression model to estimate the size of open source PHP-based applications / С. Б. Приходько, Н. В. Приходько, Т. А. Фаріонова, М. В. Ворона // Вчені записки ТНУ. Сер. Технічні науки. – Київ : ТНУ ім. В. І. Вернадського, 2020. – Т. 31 (70), ч. 1, № 1. – С. 124–131.uk_UA
dc.description.abstractМетою роботи є створення множинної нелінійної регресійної моделі для оцінювання розміру PHP-застосунків із відкритим кодом на основі багатовимірного нормалізуючого перетворення за змінними, що визначаються за діаграмою класів. Трьохфакторну нелінійну регресійну модель для оцінювання розміру PHP-застосунків із відкритим кодом побудовано на основі нормалізації чотиривимірного негаусівського набору даних: кількість строк коду (LOC); кількість класів (Classes); сума кількості класів, на які впливає даний клас (Afferent Coupling), і кількості класів, із яких даний клас отримує ефекти (Efferent Coupling), та кількість методів (Methods) із 44 застосунків, розташованих на сайті GitHub (https://github.com) за допомогою інструменту PhpMetrics (https://phpmetrics.org/). Нормалізація цього набору даних здійснена за допомогою і двох одновимірних перетворень: у вигляді десяткового логарифму та перетворення Джонсона для сімейства SB. Використання чотиривимірного перетворення в порівнянні з одновимірними дозволяє врахувати кореляцію між змінними, що призводить до покращення нормалізації даних, яка пов’язана з виконанням статистичної гіпотези щодо відповідності їх розподілу чотиривимірному розподілу Гаусу, з подальшим підвищенням достовірності відповідного оцінювання. Виконано порівняння побудованої нелінійної моделі з лінійною регресійною моделлю і нелінійними регресійними моделями на основі десяткового логарифму і одновимірного перетворення Джонсона. Нелінійна модель, що побудована, в порівнянні з іншими регресійними моделями (як лінійними, так і нелінійними) має більше значення множинного коефіцієнту детермінації, менше значення середньої величини відносної похибки та менші ширини інтервалу передбачення нелінійної регресії. Цей результат може бути пояснений найкращою багатовимірною нормалізацією і тим, що немає підстав відкидати нульову гіпотезу про те, що чотиривимірний розподіл для нормалізованих даних, який нормалізується за допомогою чотиривимірного перетворення Джонсона для сімейства SB, є таким самим, як і чотиривимірний нормальний розподіл.uk_UA
dc.description.abstract1The goal of the work is the creation of the multiple non-linear regression model for estimating the size of open source PHP-based applications on the basis of the multivariate normalizing transformation. A three-factor non-linear regression model to estimate the size of open source PHP-based applications is constructed on the basis of the Johnson four-variate normalizing transformation for SB family of the non-Gaussian data set from 44 applications hosted on GitHub (https://github.com). The data set was obtained using the PhpMetrics tool (https://phpmetrics.org/). The model is built around the metrics (variables) of class diagram: number of classes, sum of average afferent coupling and average efferent coupling, average number of methods. Comparison of the constructed model with the linear model and non-linear regression models based on the decimal logarithm and the Johnson univariate transformation has been performed. In comparison with other linear regression models and non-linear regression models based on the univariate normalizing transformations, constructed model has a larger multiple coefficient of determination, a smaller value of the mean magnitude of relative error and smaller widths of the prediction intervals of non-linear regression. This may be explained best multivariate normalization and the fact that there is no reason to reject the null hypothesis that the four-variate distribution for normalized data, which normalized by the Johnson four-variate transformation for SB family, is the same as the four-variate normal distribution. The practical significance of obtained results is that the software realizing the constructed model is developed in the sci-language for Scilab. The experimental results allow to recommend the constructed model for use in practice. Prospects for further research may include the application of other multivariate normalizing transformations and data sets to construct the multiple nonlinear regression model for estimating the size of open source PHP-based applications.uk_UA
dc.description.provenanceSubmitted by Фаріонова Тетяна Анатоліївна (tetyana.farionova@nuos.edu.ua) on 2022-06-20T09:21:47Z No. of bitstreams: 1 Farionova_25_2020.pdf: 533475 bytes, checksum: c15be90d269306a29b10637e527220da (MD5)en
dc.description.provenanceApproved for entry into archive by Катерина Білоножко (kateryna.bilonozhko@nuos.edu.ua) on 2022-06-20T11:37:27Z (GMT) No. of bitstreams: 1 Farionova_25_2020.pdf: 533475 bytes, checksum: c15be90d269306a29b10637e527220da (MD5)en
dc.description.provenanceApproved for entry into archive by Катерина Білоножко (kateryna.bilonozhko@nuos.edu.ua) on 2022-06-20T12:16:18Z (GMT) No. of bitstreams: 1 Farionova_25_2020.pdf: 533475 bytes, checksum: c15be90d269306a29b10637e527220da (MD5)en
dc.description.provenanceMade available in DSpace on 2022-06-20T12:16:37Z (GMT). No. of bitstreams: 1 Farionova_25_2020.pdf: 533475 bytes, checksum: c15be90d269306a29b10637e527220da (MD5)en
dc.identifier.issn2663-5941 (Print)
dc.identifier.issn2663-595X (Online)
dc.identifier.urihttps://eir.nuos.edu.ua/handle/123456789/5529
dc.language.isoukuk_UA
dc.relation.ispartofseries004.412:519.237.5uk_UA
dc.subjectнелінійна регресійна модельuk_UA
dc.subjectінтервал передбаченняuk_UA
dc.subjectоцінювання розміру програмиuk_UA
dc.subjectPHP-застосунокuk_UA
dc.subjectнормалізуюче перетвореннuk_UA
dc.subjectнегаусівські даніuk_UA
dc.subjectnonlinear regression modeluk_UA
dc.subjectprediction intervaluk_UA
dc.subjectsoftware size estimationuk_UA
dc.subjectPHP applicationuk_UA
dc.subjectnormalizing transformationuk_UA
dc.subjectnon-Gaussian datauk_UA
dc.titleТрьохфакторна нелінійна регресійна модель для оцінювання розміру PHP-застосунків з відкритим кодомuk_UA
dc.title1Three-factor non-linear regression model to estimate the size of open source PHP-based applicationsuk_UA
dc.title22020
dc.typeArticleuk_UA

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Prykhodko_S_2020.pdf
Розмір:
520.97 KB
Формат:
Adobe Portable Document Format
Опис:
стаття
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
7.05 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Статті (ПЗАС)