Improving the performance of effort estimation in terms of function point analysis by balancing datasets
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F23%3A63570239" target="_blank" >RIV/70883521:28140/23:63570239 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-3-031-21435-6_60" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-21435-6_60</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-21435-6_60" target="_blank" >10.1007/978-3-031-21435-6_60</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Improving the performance of effort estimation in terms of function point analysis by balancing datasets
Popis výsledku v původním jazyce
This research proposes an approach to improve the performance of effort estimation based on the balancing of each group for categorical variables. The proposed model is based on function point analysis, Industry Sector, and deep learning. The Pytorch library is used to build the deep learning model with the dataset ISBSG (release 2020). The accuracy of our model is compared with that of the Adj-Effort approach. We adopt the prediction level at 0.3, Mean Absolute Error, Mean Balanced Relative Error, Mean Inverted Balanced Relative Error, and Standardised Accuracy as criteria for validation. The findings demonstrate that our proposed model outweighs the unbalanced and Adj-Effort approaches. © 2023, The Author(s), under exclusive license to Springer Nature Switzerland AG.
Název v anglickém jazyce
Improving the performance of effort estimation in terms of function point analysis by balancing datasets
Popis výsledku anglicky
This research proposes an approach to improve the performance of effort estimation based on the balancing of each group for categorical variables. The proposed model is based on function point analysis, Industry Sector, and deep learning. The Pytorch library is used to build the deep learning model with the dataset ISBSG (release 2020). The accuracy of our model is compared with that of the Adj-Effort approach. We adopt the prediction level at 0.3, Mean Absolute Error, Mean Balanced Relative Error, Mean Inverted Balanced Relative Error, and Standardised Accuracy as criteria for validation. The findings demonstrate that our proposed model outweighs the unbalanced and Adj-Effort approaches. © 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
10
Strana od-do
705-714
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
—