Tweaking Association Rules to Optimize Software Change Recommendations

Slides da apresentação do artigo "Tweaking Association Rules to Optimize Software Change Recommendations" no SBES'17 em Fortaleza.

Transcript

1. Tweaking Association Rules to Optimize Software Change Recommendations Mairieli Wessel, Maurício Aniche, Gustavo Oliva, Marco Gerosa, Igor Wiese
2. A medida que um software evolui, sua estrutura tende a tornar-se mais complexa. Mairieli Wessel | 2/25
3. A medida que um software evolui, sua estrutura tende a tornar-se mais complexa. A complexidade afeta diretamente como o software é modificado! Mairieli Wessel | 3/25
4. de Mudança Recomendação ➔ Regras de Associação ➔ Identificam acoplamentos de mudança entre artefatos Mairieli Wessel | 4/25
5. Se um desenvolvedor alterar o arquivo A, ele provavelmente irá alterar o arquivo B. Vou usar recomendação de mudanças no meu projeto!
6. Qual o tamanho do histórico devo usar para gerar as regras? E os valores de suporte e confiança? Quais devo usar? Novas mudanças no projeto alteram minhas recomendações? Mairieli Wessel | 6/25
7. Objetivo Investigar como determinar empiricamente os limiares das medidas de interesse e o conjunto de treinamento que geram as recomendações de mudança com maior acurácia. Mairieli Wessel | 7/25
8. Função de Regressão Linear Treinamento = 33974.1 + 208.4 x Número de arquivos - 3958.9 x Média do tam. dos commits
9. diferentes projetos analisados Mairieli Wessel | 9/25
10. Tempo de Histórico Mairieli Wessel | 10/25
11. Quantidade de transações Mairieli Wessel | 11/25
12. QP1 Como a acurácia do modelo de recomendação de mudanças baseado em Algoritmo Genético se compara àquela do modelo proposto pela Regressão? QP2 Como a acurácia dos modelos de recomendação de mudança se comporta quando o conjunto de teste aumenta?
13. Abordagem Proposta Mairieli Wessel | 13/25
14. Resultados
15. 5% das modificações mais recentes de cada projeto para testar os modelos. QP1 Mairieli Wessel | 15/25
16. QP1 Mairieli Wessel | 16/25 Distribuição do modelo estático para cada projeto.
17. QP1 A função de Regressão não foi capaz de prever histórico suficiente para os projetos menores. Mairieli Wessel | 17/25 Distribuição do modelo estático para cada projeto.
18. QP1 Mairieli Wessel | 18/25 Resultado da execução dos modelos com 5% de teste.
19. QP1 O Algoritmo Genético se adapta ao tamanho do projeto. - 11000 transações no treinamento Mairieli Wessel | 19/25 Resultado da execução dos modelos com 5% de teste.
20. QP1 A melhoria na acurácia das recomendações diminui o esforço do desenvolvedor em encontrar arquivos para realizar uma mudança. Mairieli Wessel | 20/25
21. 4 tamanhos de teste QP2 5% 10% 20% 30% Mairieli Wessel | 21/25
22. QP2 Mairieli Wessel | 22/25 Resultado da execução dos modelos para o projeto Laravel.
23. QP2 Inserir mudanças no sistema deteriora a estabilidade do modelo de recomendações de mudanças. Mairieli Wessel | 23/25
24. Considerações Finais • O modelo proposto se adapta a diferentes tamanhos de históricos de projetos. • Dispensa preocupação com as medidas de interesse.
25. Tweaking Association Rules to Optimize Software Change Recommendations Mairieli Wessel, Maurício Aniche, Gustavo Oliva, Marco Gerosa, Igor Wiese