Keywords:

Yazılım projelerindeki en önemli sorunlardan biri hata içeren yazılım modülleri olmaktadır. Bu modüller için en önemli unsurlar, programda hatalara neden olabilen, performansı azaltabilen ve programın çökmesine yol açabilen kod parçaları olmaktadır. Bu modüllerin, yazılım döngüsünün başlarında fark edilmesi ve düzeltilmesi, yazılım projelerinin başarısı için çok büyük önem taşımaktadır. Hata içeren yazılım modüllerinin yazılım döngüsünün erken safhalarında fark edilmesi için istatistiksel analiz yöntemleri ve makine öğrenmesi algoritmaları gibi farklı yöntemler bulunmaktadır. Yapılan çalışmalara göre bu yöntemleri kullanarak, hata içeren yazılım modüllerinin erken tespit edilmesi ve düzeltilmesinin yazılım projelerinin başarı şansını artırdığını, daha az maliyetli olduğunu ve yazılım döngüsünün daha verimli yönetilebileceğini ortaya koymaktadır. Bu yöntemlerin kullanılması ve yazılım döngüsünün en başından itibaren uygulanması, yazılım projelerinin başarısını arttırabilmekte ve maliyetlerini düşürebilmektedir. Bu çalışmada hata içeren yazılım modüllerinin tespitinde kullanılan makine öğrenme algoritmalarının seçimi problemi için bu algoritmaların sıralanması amaçlanmaktadır. Bu kapsamda, C++ programlama dilinde kodlanan NASA’nın kamusal alan (public domain) olan KC1 hata veri kümesi kullanılarak J48, SMO, Neural Networks, kNN, Naive Bayes, Bagging, Logictic Regression, Random Tree ve IBk makine öğrenme algoritmalarının hata yönünden performansları WEKA programı ile incelenmiştir. Bu sonuçlara göre, Kappa İstatistikleri (Kappa Statistics), Doğru Sınıflandırılmış Örnekler (Correctly Classified Instances), Ortalama Mutlak Hata (Mean Absolute Error), Hata Kareler Ortalamasının Karekökü (Root Mean Squared Error), Bağıl Mutlak Hata (Relative Absolute Error) ve Kök Bağıl Kare Hatası (Root Relative Squared Error) değerleri elde edilerek karar matrisi oluşturulmuştur. Belirlenen kriterler için makine öğrenme algoritmaları, çok kriterli karar verme (ÇKKV) yöntemlerinden birisi olan TOPSIS yöntemi kullanılarak sıralanmıştır. (Bu çalışma birinci sırada yer alan yazarın Başkent Üniversitesi, Fen Bilimleri Enstitüsünde yapılan yüksek lisans tezinden üretilmiştir. ORCID NO: 0000-0001-5564-889X)

Anahtar Kelimeler: Makine Öğrenmesi, TOPSIS, WEKA