Successful software project management requires an accurate estimate for the software effort. Among the many proposed techniques, Analogy-Based Estimation (ABE) has been one of the mainstreams for software effort estimation. In general, ABE infers the effort to accomplish a new software project by reasoning on the data of the historical projects which share similar characteristics with the estimated one. As being not an exception among data mining techniques, ABE is vulnerable to the noise in the historical project data, which, consequently, needs to be filtered in advance. A number of noise filtering techniques have been proposed in both machine learning and software effort estimation domains. Basically, the effectiveness of filtering is largely dependent on the concept of noise defined by each study. Some filtering technique was claimed to have no influence on the accuracy of ABE, while some other was claimed to be vulnerable to the neighborhoods of high effort inhomogeneity. In this study, we introduce the concept of Effort-Inconsistency Degree (EID), based on which we define the inconsistent historical project data, which is the data of the historical projects that have high EID. We claim that the inconsistent historical project data were defined in a way independent of the homogeneity of effort and have high tendency to degrade the accuracy of ABE. Thus, we expect that, by filtering of these data, our approach can improve the accuracy of ABE more effectively. We have validated and compared the accuracy of ABE before and after applying our approach together with the three representative filtering techniques, namely the Edited Nearest Neighbor algorithm, the Univariate Outlier Elimination, and the Genetic Algorithm based project selection, on the four historical project data sets. The results suggest that our approach can improve the accuracy of ABE more effectively than can the other approaches.
소프트웨어 공수예측은 소프트웨어 프로젝트 관리에서 중요하지만 여전히 어려운 업무이다. 여러가지 소프트웨어 공수 예측 기법들 중 일반적으로 많이 쓰이는 방법 중의 하나인 Analgoy Based Estimation (ABE)은 새로운 프로젝트와 유사한 특성을 가지는 과거 프로젝트의 데이터로부터 새로운 소프트웨어 프로젝트의 공수를 예측하기 위한 기법이다. 이러한 ABE 기법 적용에 있어서 문제 중에 하나는 과거 프로젝트 데이터에 사전에 제거되어야만 하는 노이즈 데이터가 존재한다는 것이다. 기계학습과 소프트웨어 공수 예측 분야에서 많은 노이즈 데이터 필터링 기법들이 제안되고 있다. 하지만 기존 연구들에서 정의된 노이즈 데이터의 개념들이 서로 다르기 때문에 몇몇 노이즈 필터링 기법들은 ABE의 정확성에 미치는 영향이 없거나 과거 프로젝트 데이터의 공수 분포가 매우 넓어 노이즈 데이터의 식별이 어려운 경우에는 ABE를 적용하기가 어렵다. 따라서, 본 연구에서는 공수 불일치 (Effort-Inconsistency) 정도에 기반한 프로젝트 데이터 필터링 기법을 제안한다. ABE의 정확성을 떨어뜨리는 경향이 높은 과거 프로젝트의 데이터를 일관성 없는 프로젝트 데이터로 정의하고 필터링할 수 있는 기법을 소개한다. 본 연구에서는 일관성 없는 프로젝트 데이터를 노이즈 데이터로 정의함으로써 다른 관련 연구들에서 직면하고 있는 문제점들을 해결하여 효과적으로 ABE의 공수 예측 정확도를 향상시키고자 하였다. 본 연구에서 네 개의 과거 프로젝트 데이터 집합을 기반으로 세 개의 대표적인 필터링 기법인 Edidted Nearnest Neighnor 알고리즘, Univariate Outlier Elimination, 그리고 유전 알고리즘을 통해서 ABE의 정확성을 비교 검증하였고, 그 결과 다른 필터링 기법에 비해 ABE의 정확도를 크게 향상시켰다.
