Improving the performance of effort estimation in terms of function point analysis by balancing datasets

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>

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.

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

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2023

Kód důvěrnosti údajů

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

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

—