표제지
목차
제출문 2
요약문 3
제1장 서론 8
제1절 소프트웨어 위험모듈 예측의 필요성 9
제2절 소프트웨어 위험모듈 예측방법 10
제2장 Machine Learning을 이용한 위험모듈예측 11
제1절 Machine Learning 알고리즘의 활용 12
제2절 Support Vector Machine을 이용한 분류 12
1. Support Vector Machine의 개요 및 특징 12
2. SVM 커널 15
가. Linear 16
나/가. Polynomial 16
다/나. Gaussian Radial Basis Function 17
라/다. Exponential Radial Basis Fuction 17
마/라. Multi-Layer Perceptron 17
바/나. 분류 예제 18
제3절 Ensemble Classifier를 이용한 분류 21
1. 배깅(bagging) 방법 22
2. 부스팅(Boosting) 방법 23
제3장 소프트웨어 위험모듈 예측시스템 25
제1절 예측시스템의 구조 26
제4장 Case Study 29
제1절 데이터 및 실험 환경 30
제2절 실험결과 32
제5장/제4장 결론 34
참고문헌 36
서지정보양식 38
[표 4-1] 소프트웨어 매트릭스의 선택 30
[표 4-2] 데이터 모듈이 잠재위험 분포 31
[표 4-3] 시험케이스별 예측된 잠재위험 분포(CM1) 32
[표 4-4] 시험케이스별 예측된 잠재위험 분포(PC1) 32
[그림 2-1] SVM을 이용한 최적 분류 평면 13
[그림 2-2] 비선형데이터 16
[그림 2-3] Iris 데이터 셋 18
[그림 2-4] 선형 SVC를 이용한 Setosa의 분리(C = ∞) 18
[그림 2-5] polynomial 커널을 이용한 Viginica의 분류(degree=2, C=∞) 19
[그림 2-6] polynomial 커널을 이용한 Vignica의 분류(degree=10, C=∞) 19
[그림 2-7] Radial Basis Fuction 커널을 이용한 Viginica의 분류(σ=1.0, C=∞) 20
[그림 2-8] polynomial 커널을 이용한 Viginica의 분류(degree=2, C=10) 20
[그림 2-9] 베이스 분류기와 앙상블 분류기의 오류 비교[Tan05] 21
[그림 2-10] 앙상블 학습 방법의 논리적인 뷰[Tan05] 21
[그림 3-1] 기계학습을 이용한 소프트웨어 위험모듈 예측 프로세스 26
[그림 3-2] 위험모듈 예측모델의 구조 28
[그림 4-1] 잠재위험 모듈 예측 결과(CM1) 33
[그림 4-2] 잠재위험 모듈 예측 결과(PC1) 33