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”

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