Until now, software engineering res

Until now, software engineering researchers have used Case-based Reasoning,
Neural Networks, Genetic Programming, Fuzzy Logic, Decision Trees, Naive
Bayes, Dempster-Shafer Networks, Artificial Immune Systems, and several
statistical methods to build a robust software fault prediction model. Some
researchers have applied different software metrics to build a better prediction
model, but recent papers [29] have shown that the prediction technique is much
more important than the chosen metric set. The use of public datasets for software
fault prediction studies is a critical issue. However, our recent systematic review
study has shown that only 30% of software fault prediction papers have used
public datasets [5].

ผลลัพธ์ (ไทย) 1:

จนถึงขณะนี้ นักวิจัยวิศวกรรมซอฟต์แวร์ได้ใช้เหตุผลตามกรณีเครือข่ายระบบประสาท การเขียนโปรแกรมทางพันธุกรรม ตรรกศาสตร์ การตัดสินใจต้น ไร้เดียงสาBayes เครือข่าย Dempster Shafer ประดิษฐ์ระบบภูมิคุ้มกัน และหลายวิธีการทางสถิติในการสร้างแบบทำนายข้อบกพร่องซอฟต์แวร์ที่มีประสิทธิภาพ บางนักวิจัยได้ใช้ซอฟต์แวร์การวัดเพื่อสร้างการคาดการณ์ที่ดีกว่าเอกสารแบบ แต่ล่า [29] ได้แสดงว่า เทคนิคการคาดเดามากความสำคัญมากขึ้นกว่าชุดวัดท่าน การใช้ชุดข้อมูลสาธารณะสำหรับซอฟต์แวร์การศึกษาการคาดเดาความผิดเป็นปัญหาสำคัญ อย่างไรก็ตาม ปริทัศน์ของเราล่าสุดศึกษาได้แสดงที่ใช้เพียง 30% ของเอกสารทำนายข้อบกพร่องของซอฟต์แวร์ชุดข้อมูลสาธารณะ [5]

ผลลัพธ์ (ไทย) 2:

จนถึงขณะนี้นักวิจัยวิศวกรรมซอฟต์แวร์ได้ใช้เหตุผลกรณีที่ใช้
โครงข่ายประสาท, การเขียนโปรแกรมทางพันธุกรรมตรรกศาสตร์ต้นไม้ตัดสินใจไร้เดียงสา
Bayes เครือข่ายทำการ-เชประดิษฐ์ระบบภูมิคุ้มกันและอีกหลาย
วิธีการทางสถิติในการสร้างซอฟต์แวร์ที่มีประสิทธิภาพการทำนายรูปแบบความผิด บาง
นักวิจัยได้ใช้ตัวชี้วัดซอฟต์แวร์ที่แตกต่างกันในการสร้างการคาดการณ์ที่ดีกว่า
รุ่นที่ผ่านมา แต่เอกสาร [29] ได้แสดงให้เห็นว่าเทคนิคการทำนายเป็นเรื่อง
สำคัญมากกว่าชุดตัวชี้วัดที่ได้รับการแต่งตั้ง การใช้งานของชุดข้อมูลสาธารณะสำหรับซอฟแวร์
การศึกษาการทำนายความผิดเป็นเรื่องที่สำคัญ อย่างไรก็ตามระบบตรวจสอบล่าสุดของเรา
ศึกษาได้แสดงให้เห็นว่ามีเพียง 30% ของเอกสารการทำนายความผิดของซอฟแวร์ได้ใช้
ชุดข้อมูลสาธารณะ [5]

ผลลัพธ์ (ไทย) 3:

จนถึงขณะนี้นักวิจัยวิศวกรรมซอฟต์แวร์ใช้กรณีเหตุผลตามโครงข่ายประสาทเทียม , การเขียนโปรแกรมทางพันธุกรรมตรรกศาสตร์คลุมเครือ , ต้นไม้ , การตัดสินใจซื่อBayes เดมป์สเตอร์ Shafer , เครือข่าย , ระบบภูมิต้านทานประดิษฐ์ และหลาย ๆวิธีทางสถิติเพื่อสร้างเสถียรภาพของซอฟต์แวร์การพยากรณ์แบบ บางนักวิจัยได้ใช้เมตริกซอฟต์แวร์ที่แตกต่างกันเพื่อสร้างการคาดการณ์ดีกว่าโมเดล แต่ล่าสุดหนังสือพิมพ์ [ 29 ] แสดงให้เห็นว่าเทคนิคการพยากรณ์มากสำคัญกว่าการเลือกตัวชี้วัดชุด การใช้ข้อมูลซอฟต์แวร์สาธารณะความผิดการทำนายการศึกษาเป็นปัญหาวิกฤต อย่างไรก็ตาม การทบทวนวรรณกรรมอย่างเป็นระบบของเราล่าสุดการศึกษาได้แสดงให้เห็นว่าเพียง 30% ของเอกสารซอฟต์แวร์ทำนายผิดได้ใช้สาธารณะข้อมูล [ 5 ]