摘要：A estimativa de esforço é uma tarefa crítica no ciclo de vida de desenvolvimento de software. Estimativas imprecisas podem causar insatisfação do cliente e reduzir a qualidade do produto. Neste artigo, avaliamos o uso de técnicas baseadas em aprendizado de máquina para estimar o esforço para tarefas de software. Executamos um estudo empírico baseado no conjunto de dados [Desharnais 1989] e comparamos as previsões de três modelos: Regressão Linear (LR), Support Vector Machine (SVM) e K-Nearest Neighbor (KNN). Os resultados do nosso estudo mostram que algumas métricas de software são mais importantes para estimar o esforço de software do que outras. Também com base no erro quadrático, que calcula quão próxima a distância de uma linha de regressão quadrada é de um conjunto de pontos, podemos estimar com sucesso 76% do esforço de software para o conjunto de dados estudado, onde os modelos preditivos criados mostram apenas 3% diferença entre eles.
其他摘要：Effort estimation is a critical task in the software development life cycle. Inaccurate estimations might cause customer dissatisfaction and reduce product quality. In this paper, we evaluate the use of machine learning-based techniques to estimate effort for software tasks. We executed an empirical study based on the [Desharnais 1989] dataset and compared the predictions of three models: Linear Regression (LR), Support Vector Machine (SVM) and K-Nearest Neighbor (KNN) algorithms. The results of our study show that some software metrics are more important to estimate software effort than others. Also based on the quadratic error, which calculates how close the distance of a square regression line is to a set of points, we can successfully estimate 76% of the software effort for the dataset studied, where the predictive models created show only 3% difference between them.
关键词：Palavras-chave Aprendizado de Máquina; Métricas de Software; Modelo Preditivo; Estimativa de Esforço
