Математична модель для обробки інформації з метрик коду Data Science та machine learning JAVA-застосунків для оцінювання їх розміру

Abstract

Метою дослідження є підвищення достовірності обробки інформації з метрик коду для оцінювання розміру Data Science (DS) та Machine Learning (ML) JAVA-застосунків на ранніх стадіях розробки програмних проєктів за метриками діаграми класів, шляхом побудови нелінійної регресійної моделі, для подальшого застосування в параметричних моделях оцінювання трудомісткості розробки. Достовірна оцінка розміру програмного забезпечення необхідна для планування проєкту, розподілу ресурсів і витрат у розробці програмного забезпечення. Методика. Методи дослідження включають аналіз існуючих регресійних рівнянь та моделей для оцінювання KLOC JAVA-застосунків; збір та обробка інформації з метрик коду JAVA-застосунків за напрямком DS та ML з навчального та тестового наборі даних; застосування методики ітеративної побудови нелінійних регресійних моделей, які включають методи теорії ймовірності, математичної статистики, багатовимірного статистичного аналізу, лінійного та нелінійного регресійного аналізу; тощо. Результати. Побудовано пʼятифакторну нелінійну регресійну модель для обробки інформації з метрик коду для ранньої оцінки KLOC DS та ML JAVA-застосунків та її інтервал передбачення. Оцінки критеріїв якості нелінійних регресійних моделей R2, MMRE та PRED (0,25) отримані на основі початкової навчальної та тестової вибірок свідчать про високий рівень точності оцінювання параметру KLOC за допомогою побудованої пʼятифакторної моделі у порівнянні з існуючими моделями. Отриманий інтервал передбачення на 19,2 % вужчий ніч інтервал передбачення чотирьохфакторної регресії. Наукова новизна. Вперше побудовано пʼятифакторну нелінійну регресійну модель для багатовимірних негаусівських даних DS та ML JAVA-застосунків. Вперше загальну метрику кількості класів та інтерфейсів розділено на окремі метрики класів та інтерфейсів. Практична значимість отриманих результатів дозволяє рекомендувати пʼятифакторну модель для використання на практиці для обробки інформації з метрик коду для ранньої оцінки розміру DS та ML JAVA-застосунків.