إطار عمل ذكي قائم على التجميع للتنبؤ المبكر بعيوب البرمجيات باستخدام اختيار الميزات الهجينة
DOI:
https://doi.org/10.65420/sjphrt.v2i2.142الكلمات المفتاحية:
التنبؤ بعيوب البرمجيات، التعلم التجميعي، اختيار الميزات الهجين، التصويت الموزون، التعلم الآليالملخص
يعد التنبؤ بعيوب البرمجيات أمرًا حيويًا لتعزيز جودة النظام وتقليل تكاليف الصيانة على المدى الطويل. إن التحديد المبكر للوحدات البرمجية المعرضة للأخطاء يُمكّن فرق التطوير من تحسين جهود الاختبار وتعزيز استقرار النظام بعد الإطلاق. وعلى الرغم من إمكانات التعلم الآلي، تواجه النماذج الحالية تحديات تشمل عدم استقرار الأداء عبر مجموعات البيانات، والضوضاء الناتجة عن الميزات الزائدة، والفصل بين اختيار الميزات والتعلم التجميعي. لمعالجة هذه الفجوات، تقترح هذه الدراسة إطار عمل ذكيًا يدمج اختيار الميزات الهجين مع آلية تجميع مرجحة. يجمع نهج اختيار الميزات الهجين بين التصفية القائمة على الارتباط والاستبعاد المتكرر للميزات (RFE) لتقليل الأبعاد وإزالة الميزات غير ذات الصلة. بعد ذلك، يستخدم الإطار نموذج تجميع مرجح يعتمد على مقياس F1، والذي يخصص أوزانًا ديناميكية للمتعلمين الأساسيين (الغابة العشوائية، آلة المتجهات الداعمة، وتعزيز التدرج) لتحسين استقرار التنبؤ. أظهرت النتائج التجريبية عبر خمس مجموعات بيانات مرجعية (PC1, JM1, KC1, MW1, CM1) أن الإطار المقترح يحقق أداءً تنبؤيًا واستقرارًا متفوقًا باستمرار مقارنة بالمصنفات الفردية. ويؤكد التحقق الإحصائي باستخدام اختبار ويلكوكسون للإشارات المرتبة دلالة التحسينات المحققة، خاصة في مجموعات البيانات الأكبر. من خلال تحقيق توازن فعال في جودة البيانات عبر اختيار الميزات الهجين والاستفادة من نقاط القوة المتنوعة للمتعلمين، يقدم هذا الإطار حلاً قويًا وعمليًا لضمان جودة البرمجيات بشكل استباقي.
