The effects of clustering to software size estimation for the use case points methods
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F17%3A63517638" target="_blank" >RIV/70883521:28140/17:63517638 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-57141-6_51" target="_blank" >http://dx.doi.org/10.1007/978-3-319-57141-6_51</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-57141-6_51" target="_blank" >10.1007/978-3-319-57141-6_51</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
The effects of clustering to software size estimation for the use case points methods
Popis výsledku v původním jazyce
The main objective of the paper is to present the suitability and effects of several different clustering methods for improving accuracy of software size estimation. For software size estimation was used the Algorithmic Optimisation Method (AOM), which is based Use Case Points (UCP) method. The comparison of K-means, Hierarchical and Density-based clustering is provided. Gap, Silhouette and Calinski-Harabasz criterion were selected as an evaluation criterion for clustering quality. Estimation ability of clustered model is compared on Sum of squared error (SSE). Results shows that clustering improves an estimation ability.
Název v anglickém jazyce
The effects of clustering to software size estimation for the use case points methods
Popis výsledku anglicky
The main objective of the paper is to present the suitability and effects of several different clustering methods for improving accuracy of software size estimation. For software size estimation was used the Algorithmic Optimisation Method (AOM), which is based Use Case Points (UCP) method. The comparison of K-means, Hierarchical and Density-based clustering is provided. Gap, Silhouette and Calinski-Harabasz criterion were selected as an evaluation criterion for clustering quality. Estimation ability of clustered model is compared on Sum of squared error (SSE). Results shows that clustering improves an estimation ability.
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
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2017
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
SOFTWARE ENGINEERING TRENDS AND TECHNIQUES IN INTELLIGENT SYSTEMS, CSOC2017, VOL 3 Book Series: Advances in Intelligent Systems and Computing
ISBN
978-3-319-57141-6
ISSN
2194-5357
e-ISSN
neuvedeno
Počet stran výsledku
11
Strana od-do
479-490
Název nakladatele
Springer International Publishing AG
Místo vydání
Cham
Místo konání akce
Zlín
Datum konání akce
26. 4. 2017
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000405338500051