Показати скорочену інформацію

dc.contributor.authorПриходько, С. Б.uk
dc.contributor.authorПриходько, Н. В.uk
dc.date.accessioned2019-05-16T07:56:49Z
dc.date.available2019-05-16T07:56:49Z
dc.date.issued2018
dc.identifier.citationПриходько С. Б. Нелінійна регресійна модель для оцінювання розміру програмного забезпечення інформаційних систем на базі VB [Текст] / С. Б. Приходько, Н. В. Приходько // Інформаційні технології та комп'ютерна інженерія. – 2018. – № 3. – С. 37-42.uk
dc.identifier.issn1999-9941
dc.identifier.issn2078-6387
dc.identifier.urihttp://ir.lib.vntu.edu.ua//handle/123456789/24812
dc.description.abstractНелінійна регресійна модель для оцінювання розміру програмного забезпечення інформаційних VB-систем побудована на основі нормалізації чотиривимірного негаусового набору даних (фактичний розмір програми в тисячах рядків коду, загальна кількість класів, загальна кількість зв'язків і середня кількість атрибутів на клас в концептуальній моделі даних з 32 систем) за допомогою багатовимірного перетворення Джонсона для сімейства SB. Виконано порівняння побудованої моделі з лінійною регресійної моделлю і нелінійними регресійними моделями на основі десяткового логарифму і одновимірного перетворення Джонсона. Модель, що побудована, в порівнянні з іншими регресійними моделями (як лінійними, так і нелінійними), має більший множинний коефіцієнт детермінації, менше значення середньої величини відносної похибки та менші ширини довірчого інтервалу і інтервалу передбачення нелінійної регресії.uk
dc.description.abstractНелинейная регрессионная модель для оценки размера программного обеспечения информационных VB-систем построена на основе нормализации четырехмерного негауссовского набора данных (фактический размер программы в тысячах строк кода, общее количество классов, общее количество связей и среднее количество атрибутов на класс в концептуальной модели данных из 32 систем) с помощью многомерного преобразования Джонсона для семейства SB. Выполнено сравнение построенной модели с линейной регрессионной моделью и нелинейными регрессионными моделями на основе десятичного логарифма и одномерного преобразования Джонсона. Построенная модель, по сравнению с другими регрессионными моделями (как линейными, так и нелинейными), имеет больший множественный коэффициент детерминации, меньшее значение средней величины относительной ошибки и меньшие ширины доверительного интервала и интервала предсказания нелинейной регрессии.ru
dc.description.abstractThe non-linear regression model to estimate the software size of VB-based information systems is constructed on the basis of normalization of the four-dimensional non-Gaussian data set (actual software size in the thousand lines of code, the total number of classes, the total number of relationships and the average number of attributes per class in conceptual data model from 32 systems) by the Johnson multivariate transformation for SB family. Comparison of the constructed model with the linear regression model and non-linear regression models based on the decimal logarithm and the Johnson univariate transformation is performed. Thе constructed model, in comparison with other regression models (both linear and non-linear), has a larger multiple coefficient of determination, a smaller value of the mean magnitude of relative error and smaller widths of the confidence and prediction intervals of non-linear regression.en
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofІнформаційні технології та комп'ютерна інженерія. № 3 : 37-42.uk
dc.relation.urihttps://itce.vntu.edu.ua/index.php/itce/article/view/704
dc.subjectнелінійна регресійна модельuk
dc.subjectдовірчий інтервалuk
dc.subjectінтервал передбаченняuk
dc.subjectоцінювання розміру програмного забезпеченняuk
dc.subjectсистема на базі VBuk
dc.subjectнормалізуюче перетворенняuk
dc.subjectнегаусові даніuk
dc.subjectнелинейная регрессионная модельru
dc.subjectдоверительный интервалru
dc.subjectинтервал предсказанияru
dc.subjectоценка размера программного обеспеченияru
dc.subjectсистема на базе VBru
dc.subjectнормализирующее преобразованиеru
dc.subjectнегауссовые данныеru
dc.subjectnon-linear regression modelen
dc.subjectconfidence intervalen
dc.subjectprediction intervalen
dc.subjectsoftware size estimationen
dc.subjectVB-based systemen
dc.subjectnormalizing transformationen
dc.subjectnon-Gaussian dataen
dc.titleНелінійна регресійна модель для оцінювання розміру програмного забезпечення інформаційних систем на базі VBuk
dc.title.alternativeНелинейная регрессионная модель для оценки размера программного обеспечения информационных систем на базе VBru
dc.title.alternativeNon-linear regression model to estimate the software size of VB-based information systemsen
dc.typeArticle
dc.identifier.udc004.412:519.237.5
dc.relation.referencesH. B. K. Tan, Y. Zhao, and H. Zhang, “Estimating LOC for information systems from their conceptual data models,” in Proc. of the 28th International Conference on Software Engineering (ICSE '06), Shanghai, China, 2006, p. 321-330.en
dc.relation.referencesH. B. K. Tan et al., “Conceptual data model-based software size estimation for information systems,” Transactions on Software Engineering and Methodology, vol. 19, issue 2, article No. 4, October. 2009.en
dc.relation.referencesD. M. Bates, and D. G. Watts, Nonlinear Regression Analysis and Its Applications. New York: John Wiley & Sons, 1988.en
dc.relation.referencesG.A.F. Seber, and C.J. Wild, Nonlinear Regression. New York: John Wiley & Sons, 1989.en
dc.relation.referencesT. P. Ryan, Modern regression methods. New York: John Wiley & Sons, 1997.en
dc.relation.referencesN. R. Drapper, and H. Smith, Applied Regression Analysis. New York: John Wiley & Sons, 1998.en
dc.relation.referencesR. A. Johnson, and D. W. Wichern, Applied Multivariate Statistical Analysis. Pearson Prentice Hall, 2007.en
dc.relation.referencesS. Chatterjee, and J. S. Simonoff, Handbook of Regression Analysis. New York: John Wiley & Sons, 2013.en
dc.relation.referencesNatalia Prykhodko, and Sergiy Prykhodko, “Constructing the non-linear regression models on the basis of multivariate normalizing transformations” in Збірка праць конференції Моделювання-2018, Київ: ВД “Академперіодика” НАН України, 2018, с. 217-220.en
dc.relation.referencesS. Prykhodko, N. Prykhodko, L. Makarova, and A. Pukhalevych, “Application of the Squared Mahalanobis Distance for Detecting Outliers in Multivariate Non-Gaussian Data,” in Proc. of 14th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET). Lviv-Slavske, Ukraine, 2018, p. 962-965.en
dc.identifier.doihttps://doi.org/10.31649/1999-9941-2018-43-3-37-42


Файли в цьому документі

Thumbnail

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію