Stepwise regression clustering method in function points estimation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F19%3A63522743" target="_blank" >RIV/70883521:28140/19:63522743 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-00211-4_29" target="_blank" >http://dx.doi.org/10.1007/978-3-030-00211-4_29</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-00211-4_29" target="_blank" >10.1007/978-3-030-00211-4_29</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Stepwise regression clustering method in function points estimation

Popis výsledku v původním jazyce

This study proposed a stepwise regression clustering method for software development effort estimation. The proposed algorithm is based on functional points analysis and is used for forming clusters, which contains analogical projects. Furthermore, it is expected that clusters will be shaped well for the regression prediction models. The proposed models are based on Cook distance, which is used for elimination project from clusters. Model performance is proved for selected clusters. Overall model performance influenced by selected clusters, therefore, there is no statistically significant difference between regression models based on clustered and un-clustered datasets.

Název v anglickém jazyce

Stepwise regression clustering method in function points estimation

Popis výsledku anglicky

This study proposed a stepwise regression clustering method for software development effort estimation. The proposed algorithm is based on functional points analysis and is used for forming clusters, which contains analogical projects. Furthermore, it is expected that clusters will be shaped well for the regression prediction models. The proposed models are based on Cook distance, which is used for elimination project from clusters. Model performance is proved for selected clusters. Overall model performance influenced by selected clusters, therefore, there is no statistically significant difference between regression models based on clustered and un-clustered datasets.

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)

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 statě ve sborníku

COMPUTATIONAL AND STATISTICAL METHODS IN INTELLIGENT SYSTEMS

ISBN

978-3-030-00210-7

ISSN

2194-5357

e-ISSN

—

Počet stran výsledku

8

Strana od-do

333-340

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Szczecin

Datum konání akce

12. 9. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000502603900029