Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

On the software projects' duration estimation using support vector regression

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28120%2F23%3A63564638" target="_blank" >RIV/70883521:28120/23:63564638 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/70883521:28140/23:63564638 RIV/70883521:28150/23:63564638

  • Výsledek na webu

    <a href="https://link.springer.com/chapter/10.1007/978-3-031-21435-6_25" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-21435-6_25</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-031-21435-6_25" target="_blank" >10.1007/978-3-031-21435-6_25</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    On the software projects' duration estimation using support vector regression

  • Popis výsledku v původním jazyce

    Estimating the project’s duration is one of the critical steps in helping to ensure project success. It helps to allocate resources and personnel appropriately during project development. This study aims to look for a more suitable algorithm between two selected algorithms for estimating project duration. Two machine learning algorithms, Multiple Linear Regression and Support Vector Regression, were used to estimate the project’s duration. The data used here is an ISBSG dataset with intelligent preprocessing to give an ideal fit to the algorithm used. The dependent variables used in the test are project size, maximum team size, and resource level. With the two algorithms selected, the estimated value of the project&apos;s duration is relatively close to the actual duration of the project. Through the six evaluation criteria, R-square, MAE, MAPE, RMSE, MBRE, MIBRE and the pair-wise t-test statistical method, the Support Vector Regression algorithm gives a much better estimate of the project&apos;s duration than the Multiple Linear Regression algorithm. © 2023, The Author(s), under exclusive license to Springer Nature Switzerland AG.

  • Název v anglickém jazyce

    On the software projects' duration estimation using support vector regression

  • Popis výsledku anglicky

    Estimating the project’s duration is one of the critical steps in helping to ensure project success. It helps to allocate resources and personnel appropriately during project development. This study aims to look for a more suitable algorithm between two selected algorithms for estimating project duration. Two machine learning algorithms, Multiple Linear Regression and Support Vector Regression, were used to estimate the project’s duration. The data used here is an ISBSG dataset with intelligent preprocessing to give an ideal fit to the algorithm used. The dependent variables used in the test are project size, maximum team size, and resource level. With the two algorithms selected, the estimated value of the project&apos;s duration is relatively close to the actual duration of the project. Through the six evaluation criteria, R-square, MAE, MAPE, RMSE, MBRE, MIBRE and the pair-wise t-test statistical method, the Support Vector Regression algorithm gives a much better estimate of the project&apos;s duration than the Multiple Linear Regression algorithm. © 2023, The Author(s), under exclusive license to Springer Nature Switzerland AG.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Lecture Notes in Networks and Systems

  • ISBN

    978-3-031-21434-9

  • ISSN

    23673370

  • e-ISSN

    2367-3389

  • Počet stran výsledku

    11

  • Strana od-do

    288-298

  • Název nakladatele

    Springer Science and Business Media Deutschland GmbH

  • Místo vydání

    Berlín

  • Místo konání akce

    on-line

  • Datum konání akce

    10. 10. 2022

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku