本文關(guān)鍵詞：基于代價(jià)敏感和集成方法的外包軟件項(xiàng)目風(fēng)險(xiǎn)智能預(yù)測(cè)模型

  更多相關(guān)文章： 外包軟件項(xiàng)目 風(fēng)險(xiǎn)管理 集成方法 代價(jià)敏感 風(fēng)險(xiǎn)預(yù)測(cè)

【摘要】：外包是軟件開(kāi)發(fā)的主要方式之一，具有非常高的失敗率為了提高軟件項(xiàng)目的成功率，學(xué)者們做了許多關(guān)于風(fēng)險(xiǎn)管理的預(yù)測(cè)模型研究這些模型旨在幫助軟件項(xiàng)目管理者評(píng)估項(xiàng)目的成功率以及獲得成本效益 本文對(duì)近20年的軟件項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)模型研究進(jìn)行了總結(jié)，發(fā)現(xiàn)還沒(méi)有將代價(jià)敏感和集成方法結(jié)合起來(lái)運(yùn)用到軟件項(xiàng)目風(fēng)險(xiǎn)領(lǐng)域的研究現(xiàn)存研究中的大多數(shù)預(yù)測(cè)模型都假設(shè)：所有的誤分類代價(jià)是相等的但是，在軟件項(xiàng)目的具體實(shí)踐中，情況并非如此外包軟件項(xiàng)目風(fēng)險(xiǎn)是一個(gè)典型的代價(jià)敏感的問(wèn)題，將失敗的項(xiàng)目預(yù)測(cè)為成功的項(xiàng)目的代價(jià)遠(yuǎn)高于將成功的項(xiàng)目預(yù)測(cè)為失敗的項(xiàng)目因此，本文旨在為軟件項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)領(lǐng)域探索建立一個(gè)代價(jià)敏感的預(yù)測(cè)模型另外，為了提高模型的預(yù)測(cè)準(zhǔn)確率以及降低代價(jià)，本文構(gòu)建異質(zhì)和同質(zhì)兩種類型的集成模型，，并將它們與基于單一分類器的模型進(jìn)行比較同時(shí)，本文還引入T-test方法以保證模型評(píng)估的嚴(yán)謹(jǐn)性和有效性 基于收集的327個(gè)外包軟件項(xiàng)目真實(shí)樣本，本文比較了包括集成模型和單一模型在內(nèi)的總共60個(gè)不同模型的性能實(shí)驗(yàn)結(jié)果表明，基于bagging方法的同質(zhì)的決策樹(shù)集成模型是最優(yōu)的模型決策樹(shù)具有良好的預(yù)測(cè)準(zhǔn)確率簡(jiǎn)單且易于解釋，更符合軟件項(xiàng)目的實(shí)踐需求 本文探索性地將代價(jià)敏感和集成方法引入到外包軟件項(xiàng)目風(fēng)險(xiǎn)建模中，同時(shí)也為預(yù)測(cè)模型的評(píng)估提供了一個(gè)更全面的評(píng)估方法本研究能為軟件項(xiàng)目實(shí)踐者提供一個(gè)清晰的基于代價(jià)敏感和集成方法的外包軟件項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)模型的建模框架，對(duì)軟件項(xiàng)目風(fēng)險(xiǎn)管理理論和實(shí)踐具有重要的指導(dǎo)意義
【關(guān)鍵詞】：外包軟件項(xiàng)目 風(fēng)險(xiǎn)管理 集成方法 代價(jià)敏感 風(fēng)險(xiǎn)預(yù)測(cè)
【學(xué)位授予單位】：廣東外語(yǔ)外貿(mào)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：F274;F49;F224
【目錄】：

• 摘要4-5
• Abstract5-6
• 目錄6-8
• 第1章 緒論8-11
• 1.1 研究背景與意義8-9
• 1.2 研究?jī)?nèi)容與目標(biāo)9-10
• 1.3 研究的貢獻(xiàn)10
• 1.4 本文框架10-11
• 第2章 文獻(xiàn)綜述11-18
• 2.1 國(guó)內(nèi)外對(duì)軟件項(xiàng)目風(fēng)險(xiǎn)管理的研究情況總述11
• 2.2 外包軟件項(xiàng)目風(fēng)險(xiǎn)管理11-13
• 2.3 軟件項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)模型13-14
• 2.4 代價(jià)敏感學(xué)習(xí)14-15
• 2.5 集成方法15-16
• 2.6 總結(jié)16-18
• 第3章 方法論18-23
• 3.1 單分類器18
• 3.2 集成方法18-20
• 3.2.1 Majority Voting 機(jī)制19
• 3.2.2 Bagging 機(jī)制19
• 3.2.3 Boosting 機(jī)制19-20
• 3.3 代價(jià)敏感學(xué)習(xí)20-21
• 3.3.1 混淆矩陣20-21
• 3.3.2 Metacost 方法21
• 3.4 模型評(píng)估方法21-23
• 第4章 實(shí)驗(yàn)以及結(jié)果分析23-43
• 4.1 研究設(shè)計(jì)23-24
• 4.2 步驟一：數(shù)據(jù)收集24-28
• 4.2.1 輸入變量24
• 4.2.2 輸出變量24-25
• 4.2.3 樣本數(shù)據(jù)信息25-27
• 4.2.4 數(shù)據(jù)預(yù)處理27-28
• 4.3 步驟二：最優(yōu)單分類器的選擇28-31
• 4.3.1 非代價(jià)敏感框架28
• 4.3.2 代價(jià)敏感框架28-31
• 4.4 步驟三：集成分類器的構(gòu)建31-40
• 4.4.1 異質(zhì)集成分類器31-32
• 4.4.2 同質(zhì)集成分類器32-40
• 4.5 步驟四：選擇最優(yōu)的分類器40-41
• 4.6 實(shí)驗(yàn)結(jié)論41-43
• 第5章 總結(jié)43-45
• 5.1 對(duì)軟件項(xiàng)目風(fēng)險(xiǎn)管理的意義43-44
• 5.1.1 研究意義43
• 5.1.2 實(shí)踐意義43-44
• 5.2 研究的不足和進(jìn)一步討論44-45
• 參考文獻(xiàn)45-53
• 致謝53-55
• 附錄 A 外包軟件項(xiàng)目風(fēng)險(xiǎn)管理調(diào)查問(wèn)卷55-60
• 附錄 B 代價(jià)敏感框架下單分類器實(shí)驗(yàn)結(jié)果60-61
• 附錄 C 基于 bagging 的同質(zhì)集成分類器最優(yōu)迭代次數(shù)的選擇61-70
• 附錄 D 基于 boosting 的同質(zhì)集成分類器最優(yōu)迭代次數(shù)的選擇70-80
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文80-81
• 在學(xué)期間參與的科研項(xiàng)目81

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 鄭恩輝;李平;宋執(zhí)環(huán);;代價(jià)敏感支持向量機(jī)[J];控制與決策;2006年04期

2 唐明珠;陽(yáng)春華;桂衛(wèi)華;謝永芳;;代價(jià)敏感概率神經(jīng)網(wǎng)絡(luò)及其在故障診斷中的應(yīng)用[J];控制與決策;2010年07期

3 閆明松;周志華;;代價(jià)敏感分類算法的實(shí)驗(yàn)比較[J];模式識(shí)別與人工智能;2005年05期

4 李華雄;周獻(xiàn)中;黃兵;趙佳寶;;決策粗糙集與代價(jià)敏感分類[J];計(jì)算機(jī)科學(xué)與探索;2013年02期

5 沈桂蘭;陳冬梅;牛英華;;基于承包商視角的IT服務(wù)外包項(xiàng)目風(fēng)險(xiǎn)因素的辨識(shí)[J];科技管理研究;2013年08期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 王瑞;針對(duì)類別不平衡和代價(jià)敏感分類問(wèn)題的特征選擇和分類算法[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

本文編號(hào)：546629