Improve software defect estimation with six sigma defect measures : empirical studies imputation techniques on ISBSG data repository with a high ratio of missing data

Almakadmeh, Mhammed (2017). Improve software defect estimation with six sigma defect measures : empirical studies imputation techniques on ISBSG data repository with a high ratio of missing data. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (13MB) | Prévisualisation
Prévisualisation	PDF Télécharger (1MB) | Prévisualisation

Résumé

This research analysis work reports on a set of empirical studies tackling the research issues of improving software defect estimation models with Sigma defect measures (e.g., Sigma levels) using the ISBSG data repository with a high ratio of missing data. Three imputation techniques that were selected for this research work: single imputation, regression imputation, and stochastic regression imputation. These imputation techniques were used to impute the missing data within the variable ‘Total Number of Defects’, and were first compared with each other using common verification criteria. A further verification strategy was developed to compare and assess the performance of the selected imputation techniques through verifying the predictive accuracy of the obtained software defect estimation models form the imputed datasets. A Sigma-based classification was carried out on the imputed dataset of the better performance imputation technique on software defect estimation. This classification was used to determine at which levels of Sigma; the software projects can be best used to build software defect estimation models: which has resulted in Sigma-based datasets with Sigma ranging (e.g., dataset of software projects with a range from 3 Sigma to 4 Sigma). Finally, software defect estimation models were built on the Sigma-based datasets.

Résumé traduit

Cette analyse de recherche fait état d'un ensemble d'études empiriques abordant les problèmes de recherche visant à améliorer les modèles d'estimation des défauts logiciels avec des mesures de défaut Sigma (par exemple, les niveaux Sigma 3 et 4) en utilisant le référentiel de données ISBSG avec un ratio élevé de données manquantes. Trois techniques d'imputation ont été sélectionnées pour ce travail de recherche: imputation unique, imputation de régression et imputation de régression stochastique. Ces techniques d'imputation ont été utilisées pour imputer les données manquantes dans la variable 'Nombre total de défauts', et ont d'abord été comparées les unes aux autres en utilisant des critères de vérification communs. Une autre stratégie de vérification a été développée pour comparer et évaluer la performance des techniques d'imputation sélectionnées en vérifiant la precision prédictive des modèles d'estimation des défauts logiciels obtenus dans les jeux de données imputés. Une classification basée sur Sigma a été effectuée sur l'ensemble de données impute de la meilleure technique d'imputation de performance sur l'estimation des défauts logiciels. Cette classification a été utilisée pour déterminer à quels niveaux de Sigma; Les projets logiciels peuvent être utilisés pour construire des modèles d'estimation des défauts logiciels: ce qui a entraîné des ensembles de données Sigma avec la gamme Sigma (par exemple, l'ensemble de données de projets logiciels d'une gamme allant de 3 Sigma à 4 Sigma). Enfin, les modèles d'estimation des défauts logiciels ont été construits sur les ensembles de données Sigma.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Bibliographie : pages 197-204.
Mots-clés libres:	Pannes système (Informatique) Six Sigma. Observations manquantes (Statistique) Entrepôts de données (Informatique) défaut, ISBSG, imputation, régression, stochastique, unique estimation des défauts, DMAIC, Design for Six Sigma (DFSS)
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Abran, Alain
Programme:	Doctorat en génie > Génie
Date de dépôt:	21 sept. 2017 20:16
Dernière modification:	21 sept. 2017 20:16
URI:	https://espace.etsmtl.ca/id/eprint/1934

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt