Navegando por Assunto "Base de dados"

Agora exibindo 1 - 2 de 2

Impacto da latência na verificação e do atraso acentuado na rotulação para detecção de falhas de software
(2023-04-25) Sgotti, Lucas Cordeiro; Cabral, George Gomes; http://lattes.cnpq.br/8227256452129177; http://lattes.cnpq.br/6243434551046357
A detecção de falhas de software é uma atividade inerente ao desenvolvimento de software e requer um esforço elevado de recursos humanos. Essa atividade muitas vezes não é priorizada no intuito de reduzir o custo final de um projeto. Just-in-Time Software Defect Prediction (JIT-SDP) é uma das abordagens utilizadas para predição de defeitos de software com o objetivo identificar de maneira automática através de métodos de aprendizagem de máquina artefatos de software propensos a conterem defeitos a partir de dados históricos. No entanto, a maioria das abordagens assume que as características do problema permanecem as mesmas com o passar do tempo, porém o desbalanceamento entre as classes é um problema que evolui com o tempo à medida que novos exemplos de treinamento vão chegando, por exemplo. Analisar o problema em um ambiente online significa que, além de outras coisas, há uma natureza cronológica intrínseca à abordagem que por sua vez, traz consigo alguns problemas, dentre eles o de latência na verificação, que se refere ao fato que os rótulos dos exemplos de treinamento podem chegar muito mais tarde do que suas características. Este trabalho visa investigar o impacto da latência na verificação no problema da detecção de defeitos em software, assim como o desempenho desses métodos de acordo com o grau de latência na verificação em exemplos da classe indutora de defeitos.
Previsão de resultados de jogos do campeonato brasileiro de futebol utilizando aprendizagem de máquina
(2019-02-05T02:00:00Z) Almeida, Luiz Alberes Bispo de; Carvalho, Tiago Buarque Assunção de; http://lattes.cnpq.br/7150833804013500
Nos últimos anos a procura pelas apostas esportivas tem crescido, e diversas pessoas passaram a viver desse mercado. Usando a Aprendizagem de Máquina com o objetivo de facilitar a análise de jogos para apostas e medir o lucro, foi criada uma base de dados do Campeonato Brasileiro de Futebol Série A 2017 envolvendo características das duas equipes que se enfrentam e da partida. Para testar em um modelo de avaliação foi escolhida a técnica de Naive Bayes simulando uma rodada do Campeonato Brasileiro, a qual contém 10 partidas. O modelo de avaliação foi executado sem restrição de probabilidade correta e com restrições de probabilidade correta, com o objetivo de reduzir os erros. Três cenários foram utilizados no modelo de avaliação, sendo o primeiro com duas classes que consideram a marcação de gols por ambos os times, o segundo que considera o total de gols que aconteceram na partida (acima ou abaixo de 2,5 gols), e o terceiro que considera os três tipos de resultados na partida (vitória do mandante, empate e vitória do visitante). Os resultados sem restrição de probabilidade atingiram o seu maior valor em 5,51% de lucro médio e total. Enquanto para os resultados com restrição de probabilidade, o melhor resultado de lucro médio foi de 36,05%, e para lucro total foi de 39,13%, ambos para a restrição de 99% de probabilidade correta.