Software fault and effort prediction are important tasks to minimize costs of a software project. In software effort prediction the aim is to forecast the effort needed to complete a software project, whereas software fault prediction tries to identify fault-prone modules. In this research both tasks are considered, thereby using different data mining techniques. The predictive models not only need to be accurate but also comprehensible, demanding that the user can understand the motivation behind the model's prediction. Unfortunately, to obtain predictive performance, comprehensibility is often sacrificed and vice versa. To overcome this problem, we extract trees from well performing Random Forests (RFs) and Support Vector Machines for regression (SVRs) making use of a rule extraction algorithm ALPA. This method builds trees (using C4.5 and REPTree) that mimic the black-box model (RF, SVR) as closely as possible. The proposed methodology is applied to publicly available datasets, complemented with new datasets that we have put together based on the Android repository. Surprisingly, the trees extracted from the black-box models by ALPA are not only comprehensible and explain how the black-box model makes (most of) its predictions, but are also more accurate than the trees obtained by working directly on the data

چکیده

پیش­بینی تلاش و نقص نرم افزار یک فعالیت مهم برای کاهش هزینه ­های یک پرو­ژه نرم افزاری است. هدف پیش­بینی تلاش نرم افزار، پیش­ بینی تلاش لازم برای انجام یک پروژه نرم افزاری است، اما هدف از پیش­بینی نقص نرم افزار، تشخیص ماژول­ های در معرض خطا است. ما در این تحقیق هر دو موضوع را مد نظر قرار داده، و برای آن از روش ­های مختلف داده ­کاوی استفاده می­کنیم. مدل­های پیش­بینی علاوه ­بر دقیق بودن باید قابل درک نیز باشند، یعنی کاربر باید بتواند انگیزه پیش­بینی مدل را درک کند. متاسفانه قابل درک بودن معمولاً قربانی کارایی می­شود و بالعکس. ما برای رفع این مشکل از جنگل­ های تصادفی (RFها) و ماشین­های بردار پشتیبان رگرسیون (SVRها) که از الگوریتم استخراج قانون ALPA استفاده می­کنند، درخت­ هایی را استخراج می­کنیم. این روش درخت­ هایی می­سازد (با استفاده از C4.5 و REPTree) که تا حد امکان از مدل جعبه-سیاه (SVR، RF) تقلید می­کنند. روش ارائه شده روی مجموعه داده ­های عمومی و یک سری مجموعه داده جدید که ما از منبع اندروید به آنها افزوده ­ایم، به کار گرفته شده است. جای شگفتی است که درختانی که با ALPA از مدل­ های جعبه-سیاه استخراج شده ­اند، نه تنها قابل درک هستند و توضیح می­دهند که مدل جعبه-سیاه چگونه (بیشترِ) پیش­بینی­های خود را انجام می­دهد، بلکه دقیق­تر از درختانی هستند که مستقیماً از داده ­ها به دست آمده­اند. 

1-مقدمه

طبق اطلاعاتِ شرکت تحقیقات و مشاوره فناوری اطلاعاتِ گارتنر، بازار جهانی توسعه نرم افزار در سال 2010، 244 میلیارد دلار ارزش داشته است که اهمیت این حوزه را نشان می­دهد [1]. هنوز هم صنعت نرم افزار از افزایش مکرر هزینه رنج می­برد [2، 3، 6]. پیامد این موضوع، مشکلات جدی برای شرکت­ های نرم افزاری است و حتی گاهی موجودیت آنها را به خطر می­اندازد [5]. بنابراین، یک شرکت نرم افزاری باید هزینه ­ها را تا حد امکان کاهش دهد. برای این­کار، فعالیت­ هایی مانند برآورد تلاش نرم افزاری و پیش­بینی خطای نرم افزار ضروری است، که موضوع این مقاله نیز هست...