Bad-smell prediction significantly

Bad-smell prediction significantly impacts on software
quality. It is beneficial if bad-smell prediction can be performed
as early as possible in the development life cycle. We present
methodology for predicting bad-smells from software design
model. We collect 7 data sets from the previous literatures which
offer 27 design model metrics and 7 bad-smells. They are learnt
and tested to predict bad-smells using seven machine learning
algorithms. We use cross-validation for assessing the
performance and for preventing over-fitting. Statistical
significance tests are used to evaluate and compare the prediction
performance. We conclude that our methodology have proximity
to actual values.

ผลลัพธ์ (ไทย) 2:

ทำนายไม่ดีกลิ่นผลกระทบอย่างมีนัยสำคัญในซอฟต์แวร์
ที่มีคุณภาพ มันจะเป็นประโยชน์ถ้าคำทำนายที่ไม่ดีกลิ่นสามารถดำเนินการได้
เร็วที่สุดเท่าที่เป็นไปได้ในการพัฒนาวงจรชีวิต เรานำเสนอ
วิธีการในการทำนายที่ไม่ดีมีกลิ่นจากการออกแบบซอฟแวร์
รูปแบบ เราเก็บรวบรวม 7 ชุดข้อมูลจากวรรณกรรมที่ผ่านมาซึ่ง
มีรูปแบบการออกแบบตัวชี้วัดที่ 27 และ 7 กลิ่นไม่ดี พวกเขาจะได้เรียนรู้
และทดสอบที่จะคาดการณ์ไม่ดีกลิ่นโดยใช้การเรียนรู้เครื่องเจ็ด
ขั้นตอนวิธีการ เราใช้การตรวจสอบข้ามสำหรับการประเมิน
ประสิทธิภาพการทำงานและการป้องกันในช่วงที่เหมาะสม สถิติ
การทดสอบอย่างมีนัยสำคัญที่ใช้ในการประเมินและเปรียบเทียบการคาดการณ์
ผลการดำเนินงาน เราสรุปได้ว่าวิธีการของเรามีความใกล้ชิด
กับค่านิยมที่เกิดขึ้นจริง

ผลลัพธ์ (ไทย) 3:

กลิ่น การทำนายอย่างมีนัยสำคัญต่อคุณภาพของซอฟต์แวร์

มันจะเป็นประโยชน์ถ้าเหม็นการทำนายสามารถดำเนินการ
ให้เร็วที่สุดเท่าที่เป็นไปได้ในการพัฒนาวงจรชีวิต เรานำเสนอวิธีการทำนาย
กลิ่นจากรูปแบบการออกแบบ
ซอฟต์แวร์ เราเก็บรวบรวมข้อมูลจากเดิม 7 ชุดวรรณกรรมซึ่ง
เสนอ 27 การออกแบบรูปแบบเมตริกและ 7 มีกลิ่นไม่ดี พวกเขาจะเรียนรู้
และทดสอบทำนายเหม็นใช้เจ็ดการเรียนรู้ของเครื่อง
อัลกอริธึม เราใช้ข้ามการตรวจสอบเพื่อประเมินประสิทธิภาพและการป้องกันมากกว่า
เหมาะสม สถิติที่ใช้ทดสอบ
เพื่อประเมิน และเปรียบเทียบประสิทธิภาพการทำนาย

เราสรุปได้ว่าวิธีการของเรามีความใกล้ชิด
ค่าจริง