NOVEL SOFTWARE DEFECT PREDICTION METHOD BASED ON PCA AND OPTIMIZED LSTM
Date
2022-01-10
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
In this thesis, new approach presented for software defect prediction applying PCA
based LSTM. This study consists from two parts feature selection executed by PCA
and classification part executed by LSTM. The aim applying PCA as feature selection
is to reduce the size of input features to decrease the computation time by removing
unaffected features. Then, the output of PCA wired to the LSTM that is time series
classifier which classify the input software defect features to the two classes (defect
and normal). The PSO applied to optimize the performance of the LSTM by updating
the weight and basis of the LSTM to obtain best accuracy. The obtained results
compared with common studies presented in this field.
Description
PCA VE OPTİMİZE EDİLMİŞ LSTM'YE DAYALI YENİ YAZILIM KUSUR TAHMİN YÖNTEMİ
ÖZ: Bu çalışmada, PCA tabanlı LSTM uygulayarak yazılım hatası tahmini için yeni bir yaklaşım sunulmuştur. Bu çalışma, PCA tarafından gerçekleştirilen özellik seçimi ve LSTM tarafından yürütülen sınıflandırma bölümünden oluşmaktadır. PCA'Nin öznitelik seçimi olarak uygulanmasının amacı, etkilenmeyen öznitelikleri kaldırarak hesaplama süresini azaltmak için girdi özniteliklerinin boyutunu küçültmektir. Ardından, PCA'Nin çıkışı, giriş yazılımı kusur özelliklerini iki sınıfa (kusurlu ve normal) sınıflandıran zaman serisi sınıflandırıcısı olan LSTM'ye bağlanır. En iyi doğruluğu elde etmek için LSTM'nin ağırlığını ve tabanını güncelleyerek LSTM'nin performansını optimize etmek için uygulanan PSO. Elde edilen sonuçlar bu alanda sunulan yaygın çalışmalarla karşılaştırılmıştır.
ÖZ: Bu çalışmada, PCA tabanlı LSTM uygulayarak yazılım hatası tahmini için yeni bir yaklaşım sunulmuştur. Bu çalışma, PCA tarafından gerçekleştirilen özellik seçimi ve LSTM tarafından yürütülen sınıflandırma bölümünden oluşmaktadır. PCA'Nin öznitelik seçimi olarak uygulanmasının amacı, etkilenmeyen öznitelikleri kaldırarak hesaplama süresini azaltmak için girdi özniteliklerinin boyutunu küçültmektir. Ardından, PCA'Nin çıkışı, giriş yazılımı kusur özelliklerini iki sınıfa (kusurlu ve normal) sınıflandıran zaman serisi sınıflandırıcısı olan LSTM'ye bağlanır. En iyi doğruluğu elde etmek için LSTM'nin ağırlığını ve tabanını güncelleyerek LSTM'nin performansını optimize etmek için uygulanan PSO. Elde edilen sonuçlar bu alanda sunulan yaygın çalışmalarla karşılaştırılmıştır.