Software development effort estimation techniques: a survey

Software effort estimation (SEE) is used in accurately predicting the effort in terms of (person-hours or person-months). although there are many models, software effort estimation (SEE) is one of the most difficult tasks for successful software development. several see models have been proposed. ho...

Full description

Saved in:

Bibliographic Details
Published in:	al-Tarbiyah wa-al-ʻilm lil-ʻulūm al-insānīyah : majallah ʻilmīyah muḥakkamah taṣduru ʻan Kullīyat al-Tarbiyah lil-ʻUlūm al-Insānīyah fī Jāmiʻat al-Mawṣil Vol. 31; no. 1; pp. 80 - 92
Main Authors:	Ahmad, Farah Basil, Ibrahim, Lahib Muhammad
Format:	Journal Article
Language:	Arabic English
Published:	الموصل، العراق جامعة الموصل، كلية التربية للعلوم الصرفة 01-03-2022 College of Education for Pure Sciences
Subjects:	decision tree machine learning (ml) random forest software eﬀort estimation (see) support vector machines (svm) أشجار القرار التعلم الآلي برمجيات الحاسوب
Online Access:	Get full text
Tags:	Add Tag No Tags, Be the first to tag this record!

Description
Summary:	Software effort estimation (SEE) is used in accurately predicting the effort in terms of (person-hours or person-months). although there are many models, software effort estimation (SEE) is one of the most difficult tasks for successful software development. several see models have been proposed. however, software effort overestimation or underestimation can lead to failure or cancellation of a project. hence, the main target of this research is to find a performance model for estimating the software effort through conduction empirical comparisons using various machine learning (ml) algorithms. various ml techniques have been used with seven datasets used for effort estimation. these datasets are china, Albrecht, Maxwell, Desharnais, Kemerer, Cocomo81, Kitchenham, to determine the best performance for software development effort estimation. root mean square error (RMSE), mean absolute error (MAE), and r-squared were the evaluation metrics considered. results and experiments with various ml algorithms for software effort estimation have shown that the lasso algorithm with china dataset produced the best performance compared to the other algorithms. يتم استخدام تقدير جهد البرمجيات (Software Effort Estimation (SEE)) للتنبؤ وبشكل دقيق بالجهد من حيث (عدد شهور العمل أو عدد ساعات العمل)، وعلى الرغم من وجود العديد من النماذج فإن تقدير جهد البرمجيات يعد من أصعب المهام لتطوير البرمجيات الناجحة. حيث تم اقتراح العديد من نماذج تقدير جهد البرمجيات ومع ذلك، فإن الإفراط في تقدير جهد البرامج أو النقص في تقدير جهد البرامج يؤدي إلى إلغاء المشروع أو فشل المشروع. إن الهدف الرئيسي لهذا البحث هو العثور على نموذج أداء لتقدير جهد البرمجيات من خلال إجراء دراسة ومقارنات تجريبية لخوارزميات التعلم الآلي. تم استخدام تقنيات التعلم الآلي مع سبع مجموعة بيانات مستخدمة والتي تضمنت china، Albrecht، Maxwell Desharnais، Kemerer،Cocomo81 ، Kitchenham، وذلك لتحديد أفضل أداء لتقدير جهود تطوير البرمجيات. حيث تم اعتبار الجذر التربيعي لمتوسط الخطأ (RMSE) ومتوسط الخطأ المطلق (MAE) وR-Squared كمقاييس للتقييم التي تم أخذها في الاعتبار. أظهرت النتائج والتجارب مع خوارزميات التعلم الآلي المختلفة لتقدير جهد البرمجيات أن خوارزمية LASSO مع مجموعة بيانات china أنتجت أفضل أداء مقارنة مع خوارزميات التعلم الآلي الأخرى.
ISSN:	1812-125X 2664-2530
DOI:	10.33899/EDUSJ.2022.132274.1201