文件名称：Software-Reliability-Prediction-Using-Ensemble-Learning
文件大小：1.07MB
文件格式：ZIP
更新时间：2024-04-30 16:18:38
Python
软件可靠性预测-使用集成学习 软件可靠性是软件质量必不可少的部分，并且是评估软件产品质量最不可避免的方面之一。 在开发高度可靠的软件时，软件行业承受着各种挑战。 我们使用集成方法和机器学习技术进行软件可靠性预测，并根据选定的性能标准对其进行评估。 集成学习是一种机器学习范例，其中训练了多个基础学习者来解决问题。 在这里，构建并组合了一组假设以提供改进的结果。 完成了基于测试数据的软件可靠性建模，以估计当前的可靠性水平是否满足产品软件可靠性建模的要求，也为预测软件中模块的可靠性提供了可能性。 软件可靠性预测问题是关于使用各种机器学习回归变量和缩放技术来检测准确的下一次故障时间。 在这项拟议的工作中，我们在各种机器学习方法中使用了集成方法，并使用装袋，增强和堆叠来研究集成性能。 使用集成，根据软件模块的某些属性以及给定的平均故障间隔时间，对软件中下一个故障的预测，对软件中的模块进行分类，确定
【文件预览】：
Software-Reliability-Prediction-Using-Ensemble-Learning-master
----Source Code()
--------rbfnn_main.py(1KB)
--------rbflayer.py(2KB)
--------pred_lib.py(4KB)
--------nnpred.py(3KB)
--------main_interpolation.py(2KB)
--------Bagging_Prediction.py(4KB)
--------Stacking_Classification.py(6KB)
--------rbfnn_interpolation.py(2KB)
--------main.py(2KB)
--------nn_interpolation.py(2KB)
--------Adaboost_Classification.py(3KB)
--------Bagging_Classification.py(8KB)
--------Stacking_Prediction.py(4KB)
--------nn_main.py(1KB)
----Prediction Dataset()
--------MusaDataSet_2.csv(2KB)
--------IyerLeeDataSet.csv(2KB)
--------MusaDataSet_1.csv(1KB)
----Document()
--------report2.pdf(579KB)
--------report1.pdf(513KB)
----Dataset()
--------srp-pred-csv.csv(5KB)
--------srp-class-csv.csv(150KB)
----README.md(2KB)