机构名称：
¥ 1.0
软件成本估计（SCE）是构建网络物理 - 社会系统（CPSS）的研究重点和挑战之一。在CPSS中，要准确处理环境和社会信息并使用它来指导社会实践。因此，在回应SCE的预测准确性低，鲁棒性和可解释性差的问题时，本文提出了基于自动编码器和随机森林的SCE模型。首先，预处理项目数据，删除异常值，然后构建回归树以在数据中缺少属性中填充。第二，构建一个自动编码器，以降低影响软件成本的因素的维度。随后，使用三个数据集上的XGBoost框架（Cocomo81，Albrecht和Desharnais）对模型的性能进行了训练和验证，并与常见的成本预测模型进行了比较。实验结果表明，COCOMO81数据集上提出的模型的MMRE，MDMRE和PRED（0.25）值分别达到0.21、0.16和0.71。与其他模型相比，所提出的模型在准确性和鲁棒性方面取得了重大改进。
基于软件成本估算的基于降低和机器学习模型
主要关键词
相关文件推荐
