Yazılım hata tahmin modellerinin açıklanabilir yapay zekâ ile incelenmesi
Analysis of software defect prediction models using explanable artificial intelligence
- Tez No: 998018
- Danışmanlar: DOÇ. DR. ÖMÜR ŞAHİN, PROF. DR. BAHRİYE AKAY
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yazılımda hataların tespit edilmesi kaliteli bir yazılım ve yazılıma olan güvenin oluşturulması için önemlidir. Çalışmada; PROMISE veri tabanında yer alan CM1 ve PC1 veri setleri kullanılarak, hem geleneksel makine öğrenimi modelleri (RF, GB) hem de derin öğrenme modelleri (MLP, LSTM, RNN, CNN) üzerinde kapsamlı bir değerlendirme yapılmıştır. Veri setlerindeki belirgin sınıf dengesizliği SMOTE yöntemiyle giderilmiş ve modeller 5 katlı çapraz doğrulama ile değerlendirilmiştir. Performans ölçütleri olarak Doğruluk, Kesinlik Geri çağırma, F1-Puanı, AUC-ROC kullanılmıştır. Model performansının ötesinde, bu çalışmanın temel amacı Yazılım Hata Tahmini kapsamında yalnızca yazılımın hatalı olup olmadığını belirlemekle kalmayıp; aynı zamanda tahmine en fazla ve en az etki eden özellikleri ortaya koymak, bu özelliklerin sonuca katkılarının yönünü (pozitif/negatif) belirlemek ve bu etkilerin altında yatan nedenleri yorumlayabilmektir. Etkisi diğer özelliklere kıyasla daha düşük olan özellikler, modele gürültü katma potansiyelleri nedeniyle veri setinden çıkarılıp, tekrar performans ölçümü yapılmış ve özellik azaltımı işleminin tahmin performansını artırdığı gözlemlenmiştir. Çalışmanın özgün yönlerinden bir diğeri ise, açıklanabilirlik çıktılarının veri setlerinin istatistiksel korelasyon yapılarıyla karşılaştırılmasıdır. Tüm bu yönleriyle çalışma, SDP alanında performans–açıklanabilirlik bütünleşik analiz çerçevesi sunmakta ve literatürde artan XAI odaklı araştırmalara metodolojik katkı sağlamaktadır.
Özet (Çeviri)
Identifying errors in software is crucial for creating high-quality software and building trust in it. In this study, a comprehensive evaluation was conducted on both traditional machine learning models (RF, GB) and deep learning models (MLP, LSTM, RNN, CNN) using the CM1 and PC1 datasets from the PROMISE database. The significant class imbalance in the datasets was addressed using the SMOTE method, and the models were evaluated using 5-fold cross-validation. Accuracy, Precision Recall, F1-Score, and AUC-ROC were used as performance metrics. Beyond model performance, the main objective of this study is not only to determine whether the software is faulty within the scope of Software Defect Prediction, but also to reveal the features that have the most and least impact on the prediction, determine the direction (positive/negative) of these features' contribution to the result, and interpret the underlying reasons for these effects. Features with lower impact compared to other features were removed from the dataset due to their potential to introduce noise into the model, and performance measurement was repeated. It was observed that feature reduction improved prediction performance. Another original aspect of the study is the comparison of explainability outputs with the statistical correlation structures of the data sets. With all these aspects, the study presents an integrated performance-explainability analysis framework in the field of SDP and provides a methodological contribution to the growing XAI-focused research in literature.
Benzer Tezler
- Advancing software defect prediction through ensemble Xai methods: Insights and performance evaluation
Entegre Xai yöntemleri ̇ile yazılım hata tahmininin geliştirilmesi: Analizler ve performans değerlendirmesi
BAHAR GEZİCİ GEZİCİ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYÇA KOLUKISA
- A dataset quality enhancement method for fine-grained just-in-time software defect prediction models
İnce taneli tam zamanında yazılım hata tahmin modelleri için veri kalitesi iyileştirme yöntemi
İREM FİDANDAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEZA BUZLUCA
- Spillovers between Turkish house pricing, stock exchanges, gold, CDS and exchange rate
Türkiye konut fiyatları, hisse endeksleri, altın, CDS ve döviz kuru arasındaki yayılımlar
ESER ŞENTÜRK
Yüksek Lisans
İngilizce
2019
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiGayrimenkul Geliştirme Ana Bilim Dalı
PROF. DR. BÜLENT GÜLOĞLU
- A decision analysis approach for selecting software defect prediction method in the early phases
Erken aşamalarda yazılım hata tahmin yöntemi seçimi için bir karar analizi yaklaşımı
RANA ÖZAKINCI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYÇA KOLUKISA
- Web yazılım projelerinde homojen olmayan Poisson süreci yazılım güvenilirlik modellerinin karşılaştırılması
Comparison of nonhomogeneous Poisson process software reliability models at web software projects
RABİA BURCU KARAÖMER
Yüksek Lisans
Türkçe
2015
Endüstri ve Endüstri MühendisliğiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
ÖĞR. GÖR. OUMOUT CHOUSEIN OGLOU