Araştırma Makalesi
BibTex RIS Kaynak Göster

A COMPARISON OF DIFFERENT NAIVE BAYES TECHNIQUES FOR SOFTWARE DEFECT CLASSIFICATION

Yıl 2018, Cilt: 7 Sayı: 1, 1 - 13, 31.01.2018

Saadet Aytaç Arpacı Oya Kalıpsız

https://doi.org/10.28948/ngumuh.383709
Cited By: 3

Öz

   In this study
was investigated that the comparative analysis of software defect
classification with using Absolute Correlation Weighted Naive Bayes method, Naive
Bayes method and various smoothing
techniques (Jelinek-Mercer, Dirichlet, Two-Stage) on
Naive Bayes classification technique.
In this study, the performance of the models were examined on 3 data sets with
a set of metrics Chidamber & Kemerer
and LOC. The study results showed that according to used data sets/metric
groups and methods the performance of some smoothing techniques (Dirichlet, Two-Stage) performs better than other classification methods. As the
results of this study, over 90% classification accuracies were obtained with Dirichlet and Two-Stage smoothing techniques on DIT-NOC-CBO, DIT-NOC-LCOM,
DIT-CBO-LCOM, NOC-CBO-LCOM metric groups.

Anahtar Kelimeler

Software defect classification naive bayes classification

Kaynakça

  • [1] ERTEMEL, H.Ö., SELÇUK, Y.E., KALIPSIZ, O., “A Cohesion Metric Proposal for Object-Oriented Systems: Comias”, 13th WSEAS Int’l. Conf. on Computers, 575-580. Rhodes, Greece, 2009.
  • [2] BOEHM, B., BASILI, V.R., “Software Defect Reduction Top 10 List”, IEEE Computer, 34, 135-137, 2001.
  • [3] https://www.ijcsi.org/papers/IJCSI-9-5-2-288-296.pdf (erişim tarihi 19.12.2017)
  • [4] MALHOTRA, R., “A Systematic Review of Machine Learning Techniques for Software Fault Prediction”, Applied Soft Computing, 27, 504–518, 2015.
  • [5] KAUR, G., OBERAI, E.N., “A Review Article on Naive Bayes Classifier with Various Smoothing Techniques”, International Journal of Computer Science and Mobile Computing, 3, 864-868, 2014.
  • [6] KARAKOYUN, M., HACIBEYOĞLU, M., “Biyomedikal Veri Kümeleri ile Makine Öğrenmesi Sınıflandırma Algoritmalarının İstatistiksel Olarak Karşılaştırılması”, D.E.Ü. Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, 16, 30-41, 2014.
  • [7] YUAN, Q., CONG, G., THALMANN, N.M., “Enhancing Naive Bayes with Various Smoothing Methods for Short Text Classification”, Proceedings of the 21st International Conference on World Wide Web, 645-646. Lyon, France, 2012.
  • [8] AGGARWAL, S., “Naive Bayes Classifier with Various Smoothing Techniques for Text Documents”, International Journal of Computer Trends and Technology, 4, 873-876, 2013.
  • [9] ADEWOLE, A.P., FAKOREDE, O.J., AKWUEGBO, S.O.N., “ Evaluation of Linear Interpolation Smoothing on Naive Bayes Spam Classifier”, International Journal of Technology Enhancements and Emerging Engineering Research, 2, 143-146, 2014.
  • [10] http://rali.iro.umontreal.ca/rali/sites/default/files/publis/LMforTextClassification.pdf (erişim tarihi 19.12.2017)
  • [11] SARKAR, A.M.J., LEE, Y.K., LEE, S., “A Smoothed Naive Bayes-Based Classifier for Activity Recognition”, IETE Technical Review, 27, 107–119, 2010.
  • [12] PATIL, R.R., “Heart Disease Prediction System Using Naive Bayes and Jelinek-Mercer Smoothing”, International Journal of Advanced Research in Computer and Communication Engineering, 3, 6787-6792, 2014.
  • [13] ASMONO, R.T., WAHONO, R.S., SYUKUR, A., “Absolute Correlation Weighted Naive Bayes for Software Defect Prediction”, Journal of Software Engineering, 1, 38-45, 2015.
  • [14] DENG, H., SUN, Y., CHANG, Y., HAN, J., Probabilistic Models for Classification. C.C. AGGARWAL (Eds.), Data Classification Algorithms and Applications (pp. 67-70), CRC Press, New York, USA, 2015.
  • [15] AGGARWAL, S., “Enhanced Smoothing Methods Using Naïve Bayes Classifier for Better Spam Classification”, International Journal of Engineering Research and Technology, 2, 3061-3073, 2013.
  • [16] http://research.ijcaonline.org/icccmit2014/number2/icccmit7017.pdf (erişim tarihi 19.12.2017)
  • [17] PRESSMAN, R.S., Software Engineering a Practitioner’s Approach (7th ed.), McGraw-Hill, New York, USA, 2010.
  • [18] http://dspace.yildiz.edu.tr:8080/xmlui/bitstream/handle/20.500.11871/170/0036786.pdf?sequence=1&isAllowed=y (erişim tarihi 19.12.2017)
  • [19] http://bug.inf.usi.ch/ (erişim tarihi 11.06.2016)
  • [20] WANG, H., KHOSHGOFTAAR, T. M., SELIYA, N., “How Many Software Metrics Should be Selected for Defect Prediction?”, In Proceedings of the 24th Florida Artificial Intelligence Research Society Conference, 69-74. Florida, USA, 2011.
  • [21] JURECZKO, M., “Significance of Different Software Metrics in Defect Prediction”, Software Engineering: An International Journal, 1, 86-95, 2011.

YAZILIM HATA SINIFLANDIRMASINDA FARKLI NAİVE BAYES TEKNİKLERİN KIYASLANMASI

Yıl 2018, Cilt: 7 Sayı: 1, 1 - 13, 31.01.2018

Saadet Aytaç Arpacı Oya Kalıpsız

https://doi.org/10.28948/ngumuh.383709
Cited By: 3

Öz

   Bu çalışmada, Mutlak Bağlantılı
Ağırlıklandırılmış Naive Bayes
metodu, Naive Bayes metodu ve Naive Bayes sınıflandırma metodu üzerine
uygulanan çeşitli yumuşatma teknikleri (Jelinek-Mercer, Dirichlet, Two-Stage) ile yazılım ölçütlerine dayalı hata sınıflandırmasının
karşılaştırmalı analizi araştırılmıştır. Yapılan çalışmada Chidamber & Kemerer ve LOC metrik kümesine sahip 3 veri seti
üzerinde modellerin başarımı incelenmiştir. Bu
çalışma, kullanılan veri setleri/ölçüt gruplarına göre araştırılan metotlardan Naive Bayes metodu üzerine uygulanan bazı tekniklerin (Dirichlet, Two-Stage) sınıflandırma performansını diğer sınıflandırma metotlarına
kıyasla daha da iyileştirdiği sonucunu gösterdi. Bu çalışmanın sonuçlarına
göre, %90 üzerinde sınıflandırma doğrulukları DIT-NOC-CBO, DIT-NOC-LCOM,
DIT-CBO-LCOM, NOC-CBO-LCOM ölçüt grupları için Dirichlet ve Two-Stage teknikleriyle elde edildi.

Anahtar Kelimeler

Yazılım hata sınıflandırma naive bayes sınıflandırma

Kaynakça

  • [1] ERTEMEL, H.Ö., SELÇUK, Y.E., KALIPSIZ, O., “A Cohesion Metric Proposal for Object-Oriented Systems: Comias”, 13th WSEAS Int’l. Conf. on Computers, 575-580. Rhodes, Greece, 2009.
  • [2] BOEHM, B., BASILI, V.R., “Software Defect Reduction Top 10 List”, IEEE Computer, 34, 135-137, 2001.
  • [3] https://www.ijcsi.org/papers/IJCSI-9-5-2-288-296.pdf (erişim tarihi 19.12.2017)
  • [4] MALHOTRA, R., “A Systematic Review of Machine Learning Techniques for Software Fault Prediction”, Applied Soft Computing, 27, 504–518, 2015.
  • [5] KAUR, G., OBERAI, E.N., “A Review Article on Naive Bayes Classifier with Various Smoothing Techniques”, International Journal of Computer Science and Mobile Computing, 3, 864-868, 2014.
  • [6] KARAKOYUN, M., HACIBEYOĞLU, M., “Biyomedikal Veri Kümeleri ile Makine Öğrenmesi Sınıflandırma Algoritmalarının İstatistiksel Olarak Karşılaştırılması”, D.E.Ü. Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, 16, 30-41, 2014.
  • [7] YUAN, Q., CONG, G., THALMANN, N.M., “Enhancing Naive Bayes with Various Smoothing Methods for Short Text Classification”, Proceedings of the 21st International Conference on World Wide Web, 645-646. Lyon, France, 2012.
  • [8] AGGARWAL, S., “Naive Bayes Classifier with Various Smoothing Techniques for Text Documents”, International Journal of Computer Trends and Technology, 4, 873-876, 2013.
  • [9] ADEWOLE, A.P., FAKOREDE, O.J., AKWUEGBO, S.O.N., “ Evaluation of Linear Interpolation Smoothing on Naive Bayes Spam Classifier”, International Journal of Technology Enhancements and Emerging Engineering Research, 2, 143-146, 2014.
  • [10] http://rali.iro.umontreal.ca/rali/sites/default/files/publis/LMforTextClassification.pdf (erişim tarihi 19.12.2017)
  • [11] SARKAR, A.M.J., LEE, Y.K., LEE, S., “A Smoothed Naive Bayes-Based Classifier for Activity Recognition”, IETE Technical Review, 27, 107–119, 2010.
  • [12] PATIL, R.R., “Heart Disease Prediction System Using Naive Bayes and Jelinek-Mercer Smoothing”, International Journal of Advanced Research in Computer and Communication Engineering, 3, 6787-6792, 2014.
  • [13] ASMONO, R.T., WAHONO, R.S., SYUKUR, A., “Absolute Correlation Weighted Naive Bayes for Software Defect Prediction”, Journal of Software Engineering, 1, 38-45, 2015.
  • [14] DENG, H., SUN, Y., CHANG, Y., HAN, J., Probabilistic Models for Classification. C.C. AGGARWAL (Eds.), Data Classification Algorithms and Applications (pp. 67-70), CRC Press, New York, USA, 2015.
  • [15] AGGARWAL, S., “Enhanced Smoothing Methods Using Naïve Bayes Classifier for Better Spam Classification”, International Journal of Engineering Research and Technology, 2, 3061-3073, 2013.
  • [16] http://research.ijcaonline.org/icccmit2014/number2/icccmit7017.pdf (erişim tarihi 19.12.2017)
  • [17] PRESSMAN, R.S., Software Engineering a Practitioner’s Approach (7th ed.), McGraw-Hill, New York, USA, 2010.
  • [18] http://dspace.yildiz.edu.tr:8080/xmlui/bitstream/handle/20.500.11871/170/0036786.pdf?sequence=1&isAllowed=y (erişim tarihi 19.12.2017)
  • [19] http://bug.inf.usi.ch/ (erişim tarihi 11.06.2016)
  • [20] WANG, H., KHOSHGOFTAAR, T. M., SELIYA, N., “How Many Software Metrics Should be Selected for Defect Prediction?”, In Proceedings of the 24th Florida Artificial Intelligence Research Society Conference, 69-74. Florida, USA, 2011.
  • [21] JURECZKO, M., “Significance of Different Software Metrics in Defect Prediction”, Software Engineering: An International Journal, 1, 86-95, 2011.
Toplam 21 adet kaynakça vardır.

Ayrıntılar

Konular Bilgisayar Yazılımı
Bölüm Bilgisayar Mühendisliği
Yazarlar

Saadet Aytaç Arpacı Bu kişi benim 0000-0001-6226-4210

Oya Kalıpsız Bu kişi benim 0000-0001-9553-669X

Yayımlanma Tarihi 31 Ocak 2018
Gönderilme Tarihi 28 Eylül 2016
Kabul Tarihi 22 Eylül 2017
Yayımlandığı Sayı Yıl 2018 Cilt: 7 Sayı: 1

Kaynak Göster

APA Arpacı, S. A., & Kalıpsız, O. (2018). YAZILIM HATA SINIFLANDIRMASINDA FARKLI NAİVE BAYES TEKNİKLERİN KIYASLANMASI. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 7(1), 1-13. https://doi.org/10.28948/ngumuh.383709
AMA Arpacı SA, Kalıpsız O. YAZILIM HATA SINIFLANDIRMASINDA FARKLI NAİVE BAYES TEKNİKLERİN KIYASLANMASI. NÖHÜ Müh. Bilim. Derg. Ocak 2018;7(1):1-13. doi:10.28948/ngumuh.383709
Chicago Arpacı, Saadet Aytaç, ve Oya Kalıpsız. “YAZILIM HATA SINIFLANDIRMASINDA FARKLI NAİVE BAYES TEKNİKLERİN KIYASLANMASI”. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi 7, sy. 1 (Ocak 2018): 1-13. https://doi.org/10.28948/ngumuh.383709.
EndNote Arpacı SA, Kalıpsız O (01 Ocak 2018) YAZILIM HATA SINIFLANDIRMASINDA FARKLI NAİVE BAYES TEKNİKLERİN KIYASLANMASI. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi 7 1 1–13.
IEEE S. A. Arpacı ve O. Kalıpsız, “YAZILIM HATA SINIFLANDIRMASINDA FARKLI NAİVE BAYES TEKNİKLERİN KIYASLANMASI”, NÖHÜ Müh. Bilim. Derg., c. 7, sy. 1, ss. 1–13, 2018, doi: 10.28948/ngumuh.383709.
ISNAD Arpacı, Saadet Aytaç - Kalıpsız, Oya. “YAZILIM HATA SINIFLANDIRMASINDA FARKLI NAİVE BAYES TEKNİKLERİN KIYASLANMASI”. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi 7/1 (Ocak 2018), 1-13. https://doi.org/10.28948/ngumuh.383709.
JAMA Arpacı SA, Kalıpsız O. YAZILIM HATA SINIFLANDIRMASINDA FARKLI NAİVE BAYES TEKNİKLERİN KIYASLANMASI. NÖHÜ Müh. Bilim. Derg. 2018;7:1–13.
MLA Arpacı, Saadet Aytaç ve Oya Kalıpsız. “YAZILIM HATA SINIFLANDIRMASINDA FARKLI NAİVE BAYES TEKNİKLERİN KIYASLANMASI”. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, c. 7, sy. 1, 2018, ss. 1-13, doi:10.28948/ngumuh.383709.
Vancouver Arpacı SA, Kalıpsız O. YAZILIM HATA SINIFLANDIRMASINDA FARKLI NAİVE BAYES TEKNİKLERİN KIYASLANMASI. NÖHÜ Müh. Bilim. Derg. 2018;7(1):1-13.

Cited By

Naive Bayes Sınıflandırıcısı Kullanılarak YouTube Verileri Üzerinden Çok Dilli Duygu Analizi
Bilişim Teknolojileri Dergisi
https://doi.org/10.17671/gazibtd.999960
A real-time approach to recognition of Turkish sign language by using convolutional neural networks
Neural Computing and Applications
https://doi.org/10.1007/s00521-021-06664-6
Türkçe Haber Metinlerinin Çok Terimli Naive Bayes Algoritması Kullanılarak Sınıflandırılması
Fırat Üniversitesi Mühendislik Bilimleri Dergisi
Emrah AYDEMİR
https://doi.org/10.35234/fumbd.871986

 23135