Penerapan Support Vector Regression untuk memprediksi jumlah bug pada modul perangkat lunak

Info proyek

• Bidang studiInformatika dan Sistem Informasi
• JenjangTesis (S2)
• Jenis metodeRegresi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscikit-learn SVR, GridSearchCV, StandardScaler, Pipeline
• HargaRp 350.000 - Rp 2.100.000

Tujuan analisis

Memodelkan jumlah bug dari ukuran kode dan kompleksitas siklomatik menggunakan Support Vector Regression, lalu menilai ketepatan prediksi dengan RMSE dan R².

Variabel

Contoh hasil

• 0.854R2 (test)
• 5.115RMSE (test)
• 3.713MAE (test)
• 80Support vectors
• 0.672SV share
• 30C

SVR kernel RBF memodelkan Jumlah bug dengan R2 uji 0.854 dan RMSE 5.115; 80 dari 119 data latih menjadi support vector.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Support Vector Regression

Support Vector Regression mencari fungsi yang menyimpang paling banyak epsilon dari data sambil menjaga model tetap rata, dengan kernel untuk pola nonlinear. Cocok untuk data berukuran kecil sampai menengah dengan hubungan nonlinear halus.

Langkah pengerjaan

1. 1Standarisasi fitur (dan target bila perlu)
2. 2Bagi data latih dan uji
3. 3Pilih kernel RBF lalu setel C, epsilon, gamma dengan validasi silang
4. 4Latih SVR pada hyperparameter terbaik
5. 5Evaluasi R2 dan RMSE pada data uji
6. 6Plot kurva prediksi terhadap data

Asumsi yang perlu diperiksa

• Fitur harus berskala sebanding
• Hyperparameter C, epsilon, dan gamma sangat memengaruhi hasil dan perlu disetel
• Waktu latih meningkat cepat pada data sangat besar

Membaca dan melaporkan hasil

Laporkan kernel dan hyperparameter terbaik, R2, RMSE, dan jumlah support vector. Tekankan bahwa model sulit ditafsirkan sehingga fokus pada akurasi prediksi.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.svm import SVR
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import GridSearchCV, train_test_split
from sklearn.metrics import r2_score, mean_squared_error

rng = np.random.default_rng(5)
n = 250
code_size = np.sort(rng.uniform(0, 10, n))
bug_count = np.sin(code_size) + 0.3 * code_size + rng.normal(0, 0.2, n)

X = code_size.reshape(-1, 1)
X_tr, X_te, y_tr, y_te = train_test_split(X, bug_count, test_size=0.2, random_state=5)
pipe = make_pipeline(StandardScaler(), SVR(kernel="rbf"))
grid = {"svr__C": [1, 10, 100], "svr__epsilon": [0.05, 0.1, 0.2], "svr__gamma": ["scale", 0.1, 1]}
gs = GridSearchCV(pipe, grid, cv=5, scoring="neg_root_mean_squared_error")
gs.fit(X_tr, y_tr)
best = gs.best_estimator_
pred = best.predict(X_te)
print("Best params:", gs.best_params_)
print("Test R2:", round(r2_score(y_te, pred), 3))
print("Test RMSE:", round(mean_squared_error(y_te, pred) ** 0.5, 3))
print("Support vectors:", len(best[-1].support_))

xs = np.linspace(0, 10, 300).reshape(-1, 1)
plt.scatter(X_tr, y_tr, s=10, alpha=0.5, label="Train")
plt.plot(xs, best.predict(xs), "r", label="SVR fit")
plt.legend()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum