Categorical Variable Segmentation Model for Software Development Effort Estimation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F19%3A63522740" target="_blank" >RIV/70883521:28140/19:63522740 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/8610292" target="_blank" >https://ieeexplore.ieee.org/document/8610292</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ACCESS.2019.2891878" target="_blank" >10.1109/ACCESS.2019.2891878</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Categorical Variable Segmentation Model for Software Development Effort Estimation

Popis výsledku v původním jazyce

This paper proposes a new software development effort estimation model. The new model&apos;s design is based on the function point analysis, categorical variable segmentation (CVS), and stepwise regression. The stepwise regression method is used for the creation of the unique estimation model of each segment. The estimation accuracy of the proposed model is compared to clustering-based models and the international function point user group model. It is shown that the proposed model increases estimation accuracy when compared to baseline methods: non-clustered functional point analysis and clustering-based models. The new CVS model achieves a significantly higher accuracy than the baseline methods.

Název v anglickém jazyce

Categorical Variable Segmentation Model for Software Development Effort Estimation

Popis výsledku anglicky

This paper proposes a new software development effort estimation model. The new model&apos;s design is based on the function point analysis, categorical variable segmentation (CVS), and stepwise regression. The stepwise regression method is used for the creation of the unique estimation model of each segment. The estimation accuracy of the proposed model is compared to clustering-based models and the international function point user group model. It is shown that the proposed model increases estimation accuracy when compared to baseline methods: non-clustered functional point analysis and clustering-based models. The new CVS model achieves a significantly higher accuracy than the baseline methods.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

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

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název periodika

IEEE Access

ISSN

2169-3536

e-ISSN

—

Svazek periodika

7

Číslo periodika v rámci svazku

neuvedeno

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

9

Strana od-do

9618-9626

Kód UT WoS článku

000457958600001

EID výsledku v databázi Scopus

—