Machine learning applied to software development performance analysis

Simple item page
dc.creatorGil-Vera, Victor Daniel
dc.creatorSeguro-Gallego, Cristian
dc.date2022-04-29
dc.date.accessioned2023-06-29T13:34:14Z
dc.date.available2023-06-29T13:34:14Z
dc.descriptionPerformance tests are crucial to measure the quality of software developments, since they allow identifying aspects to be improved in order to achieve customer satisfaction. The objective of this research was to identify the optimal Machine Learning technique to predict whether or not a software development meets the customer's acceptance criteria. A dataset with information obtained from web services performance tests and the F1-score quality metric were used. This paper concludes that, although the Random Forest technique obtained the best score, it is not correct to state that it is the best Machine Learning technique; the quantity and quality of the data used in the training play a very important role, as well as an adequate processing of the information.en-US
dc.descriptionLas pruebas de rendimiento son determinantes para medir la calidad de los desarrollos de software, ya que permiten identificar aspectos que se deben mejorar en pro de alcanzar la satisfacción del cliente. El objetivo de este trabajo fue identificar la técnica óptima de Machine Learning para predecir si un desarrollo de software cumple o no con los criterios de aceptación del cliente. Se empleó una base de datos de información obtenida en pruebas de rendimiento a servicios web y la métrica de calidad F1-score. Se concluye que, a pesar de que la técnica de Random Forest obtuvo el mejor puntaje, no es correcto afirmar que sea la mejor técnica de Machine Learning; la cantidad y la calidad de los datos empleados en el entrenamiento desempeñan un papel de gran importancia, al igual que un procesamiento adecuado de la información. Performance tests are crucial to measure the quality of software developments, since they allow identifying aspects to be improved in order to achieve customer satisfaction. The objective of this research was to identify the optimal Machine Learning technique to predict whether or not a software development meets the customer's acceptance criteria. A dataset with information obtained from web services performance tests and the F1-score quality metric were used. This paper concludes that, although the Random Forest technique obtained the best score, it is not correct to state that it is the best Machine Learning technique; the quantity and quality of the data used in the training play a very important role, as well as an adequate processing of the information.es-ES
dc.descriptionOs testes de desempenho são cruciais para medir a qualidade dos desenvolvimentos de software, pois permitem identificar aspectos que precisam de ser melhorados a fim de alcançar a satisfação do cliente. O objectivo deste trabalho era identificar a técnica óptima de Machine Learning para prever se um desenvolvimento de software satisfaz ou não os critérios de aceitação do cliente. Foi utilizada uma base de dados de informações obtidas a partir de testes de desempenho de serviços web e a métrica de qualidade F1-score. Conclui-se que, embora a técnica da Random Forest tenha obtido a melhor pontuação, não é correcto dizer que é a melhor técnica de Aprendizagem Automática; a quantidade e qualidade dos dados utilizados na formação desempenham um papel muito importante, bem como um processamento adequado da informação. Traduzido com a versão gratuita do tradutor - www.DeepL.com/Translatorpt-BR
dc.formatapplication/pdf
dc.formattext/html
dc.identifierhttps://revistas.elpoli.edu.co/index.php/pol/article/view/1976
dc.identifier10.33571/rpolitec.v18n35a9
dc.identifier.urihttps://repositorio.elpoli.edu.co/handle/123456789/1109
dc.languagespa
dc.publisherPolitécnico Colombiano Jaime Isaza Cadavides-ES
dc.relationhttps://revistas.elpoli.edu.co/index.php/pol/article/view/1976/2129
dc.relationhttps://revistas.elpoli.edu.co/index.php/pol/article/view/1976/2006
dc.relationhttps://revistas.elpoli.edu.co/index.php/pol/article/view/1976/2017
dc.rightsDerechos de autor 2022 Victor Daniel Gil-Vera, Cristian Seguro-Gallegoes-ES
dc.rightshttps://creativecommons.org/licenses/by-nc-sa/4.0es-ES
dc.sourceRevista Politécnica; Vol. 18 No. 35 (2022): January-June, 2022; 128-139en-US
dc.sourceRevista Politécnica; Vol. 18 Núm. 35 (2022): Enero-Junio, 2022; 128-139es-ES
dc.sourceRevista Politécnica; v. 18 n. 35 (2022): Enero-Junio, 2022; 128-139pt-BR
dc.source2256-5353
dc.source1900-2351
dc.subjectArtificial Intelligenceen-US
dc.subjectPerformance Analysisen-US
dc.subjectPerformance Testingen-US
dc.subjectPredictive Modelingen-US
dc.subjectAnálisis de Resultadoses-ES
dc.subjectInteligencia Artificiales-ES
dc.subjectModelado Predictivoes-ES
dc.subjectPruebas de Rendimientoes-ES
dc.subjectAnálise de Desempenhopt-BR
dc.subjectInteligência Artificialpt-BR
dc.subjectModelação Preditivapt-BR
dc.subjectTestes de Desempenhopt-BR
dc.titleMachine learning applied to software development performance analysisen-US
dc.titleMachine learning aplicado al análisis del rendimiento de desarrollos de softwarees-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
Files
Collections
Revista Politécnica