Resumen

Los modelos de redes neuronales profundas construidos mediante decisiones de diseño adecuadas son cruciales para obtener el rendimiento deseado del clasificador. Esto es especialmente deseable al predecir la propensión a fallas de los módulos de software. Cuando se identifican correctamente, esto podría ayudar a reducir el costo de las pruebas al dirigir los esfuerzos más hacia los módulos identificados como propensos a fallas. Para poder construir un modelo eficiente de red neuronal profunda, es importante investigar en detalle los parámetros como el número de capas ocultas, el número de nodos en cada capa y detalles de entrenamiento como la tasa de aprendizaje y los métodos de regularización. El objetivo de este artículo es mostrar la importancia de la sintonización de hiperparámetros en el desarrollo de modelos eficientes de redes neuronales profundas para predecir la propensión a fallas de los módulos de software y comparar los resultados con otros algoritmos de aprendizaje automático. Se muestra que el modelo propuesto supera a los otros algoritmos en la mayoría de los casos

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Red neuronal; Decisiones de diseño; Rendimiento del clasificador; Propensión a fallos; Ajuste de hiperparámetros; Algoritmos de aprendizaje automático
• Keywords:Neural network; Design decisions; Classifier performance; Fault proneness; Hyperparameter tuning; Machine learning algorithms