Resumen

La estimación del esfuerzo del software desempeña un papel fundamental en la gestión de proyectos. Los resultados erróneos pueden llevar a sobreestimar o subestimar el esfuerzo, lo que puede tener consecuencias catastróficas para los recursos del proyecto. Las técnicas de aprendizaje automático son cada vez más populares en este campo. Los modelos de lógica difusa, en particular, se utilizan ampliamente para tratar datos imprecisos e inexactos. El objetivo principal de esta investigación era diseñar y comparar tres modelos de lógica difusa diferentes para predecir el esfuerzo de estimación del software: Mamdani, Sugeno con salida constante y Sugeno con salida lineal. Para ayudar en el diseño de los modelos de lógica difusa, realizamos un análisis de regresión, un enfoque que llamamos "lógica difusa de regresión". Para evaluar los modelos, se utilizaron criterios de evaluación del rendimiento, como la precisión estandarizada, el tamaño del efecto y el error relativo medio equilibrado, así como pruebas estadísticas. Los modelos se entrenaron y probaron utilizando proyectos industriales del conjunto de datos del International Software Benchmarking Standards Group (ISBSG). Los resultados mostraron que la heteroscedasticidad de los datos afectaba al rendimiento del modelo. Los modelos de lógica difusa resultaron ser muy sensibles a los valores atípicos. Llegamos a la conclusión de que cuando se utilizó el análisis de regresión para diseñar el modelo, el sistema de inferencia difusa de Sugeno con salida lineal superó a los demás modelos.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:modelo de lógica difusa, salida lineal, análisis de regresión, modelo, evaluación comparativa internacional de software, lógica difusa de regresión, estimación del esfuerzo de software, grupo estándar de evaluación comparativa, esfuerzo de estimación de software, criterios de evaluación del rendimiento
• Keywords:fuzzy logic model, linear output, regression analysis, model, international software benchmarking, regression fuzzy logic, software effort estimation, benchmarking standard group, software estimation effort, performance evaluation criteria