Hacia un método para la estimación automática de esfuerzo en el desarrollo de software a partir de historias de usuario Público Deposited
La estimación de esfuerzo es importante para planificar eficientemente el uso de recursos en un proyecto de TI. En las fases de planeación de un proyecto, durante la elaboración de los artefactos y la pila de producto que define la funcionalidad total del proyecto, el equipo involucrado realiza una estimación inicial aproximada de tiempo y costo. Para mejorar la precisión de la estimación de esfuerzo en desarrollo de software existen varias técnicas de estimación: function points, object points, use case points, story points, etc. Los puntos de historia de usuario o story points, son la base de marcos de trabajo ágil que actualmente están tomando fuerza en el desarrollo de software. Una de las principales lagunas de conocimiento se encuentra en la aplicación de aprendizaje automático en estimación de esfuerzo en desarrollo de software ágil. Este proyecto de investigación, contribuye a fortalecer el uso de modelos de estimación de esfuerzo con técnicas de aprendizaje automático como método de estimación de esfuerzo a nivel de proyecto en marcos de trabajo ágil que usan un enfoque de puntos de historia de usuario como Scrum. Este trabajo presenta un estudio sobre el análisis de la precisión de la prediccion del proceso de estimación ejecutado con diversas técnicas de aprendizaje automático supervisado como árboles de decisiones, redes neuronales, el algoritmo de los k vecinos más cercanos o KNN por sus siglas en inglés y un ensamble que combina los estimadores. Partiendo de un modelo de estimación de esfuerzo para el desarrollo de software ágil, se aplican las técnicas para estimar el tiempo de finalización y costo total de un proyecto tomando la pila de producto (esfuerzo), la velocidad del equipo de desarrollo y categorías de clasificación que agrupan los proyectos por tamaño de esfuerzo, tiempo y costo. Los algoritmos de aprendizaje supervisado son evaluados a través del error cuadrático medio, error relativo medio, el coeficiente de determinación R2, la varianza y desviación estándar para determinar cuáles de las técnicas aplicadas ofrecen el mejor tiempo y el mejor costo. La capacidad de generalización de los algoritmos se evalúa aplicando validación cruzada de diez mangas. Con la aplicación de categorías de clasificación de tamaño de esfuerzo, tiempo y costo se prueba que es posible mejorar la precisión de las estimaciones al reducir los errores de evaluación. Los resultados se comparan con las propuestas establecidas en el estado del arte para determinar la fiabilidad de los modelos del presente proyecto. Palabras Clave— Estimación, tiempo, costo, desarrollo ágil, aprendizaje automático
Relaciones
| En Conjunto Administrativo: |
|---|
Descripciones
| Nombre del atributo | Valores |
|---|---|
| Creador | |
| Colaboradores | |
| Tema | |
| Editor | |
| Idioma | |
| Palabra Clave | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
