TY -的A2 -沙阿,纳齐尔AU -汗,Bilal盟——纳西姆,拉希德AU -沙阿,穆罕默德Arif盟——Wakil Karzan AU -汗,爱迪盟——Uddin, m . iran AU -艾哈迈迪,Marwan PY - 2021 DA - 2021/03/16 TI -软件缺陷预测医疗大数据:机器学习技术的实证评价SP - 8899263六世- 2021 AB -软件缺陷预测(SDP)最初阶段的软件开发生命周期(SDLC)仍然是一个关键而重要的任务。SDP本质上是研究在一些近几十年它会导致保证软件系统的质量。有缺陷或不完美的工件的快速预测在软件开发中可以开发团队更有效地使用现有资产,提供卓越的软件产品在给定的或狭窄的时间。之前,有几个拉票的工业化缺陷预测模型利用机器学习(ML)和统计技术。毫升方法被认为是一个有效的和操作方法,查明有缺陷的模块,移动部件通过挖掘隐藏的模式在软件度量(属性)。毫升技术也利用一些研究人员在医疗数据集。本研究利用不同的ML技术软件缺陷预测使用七广泛被使用的数据集。毫升技术包括多层感知器(MLP)、支持向量机(SVM),决策树(J48)、径向基函数(RBF),随机森林(RF),隐马尔科夫模型(HMM)教义的决策树(CDT), K最近的邻居(资讯),平均一个依赖性估计(A1DE),朴素贝叶斯(NB)。每个技术的性能评估使用不同的措施,例如,相对绝对误差(RAE),平均绝对误差(MAE)、根均方误差(RMSE)、根相对平方误差(RRSE),回忆,和准确性。包容的结果显示射频准确率平均88.32%的最佳性能和2.96等级值,第二好的性能是通过SVM准确率平均87.99%和3.83等级值。此外,CDT还显示87.88%的平均精度和3.62等级值,放置在第三的位置。综合研究的结果可以作为一个参考点利用SDP的新的研究领域,因此,任何断言关于增强在任何新技术或模型可以预测基准测试和证明。SN - 2040 - 2295 UR - https://doi.org/10.1155/2021/8899263 - 10.1155 / 2021/8899263摩根富林明医疗工程PB - Hindawi KW - ER