Author:
Moreira Raimundo Alan Freire,Braz Lucas José Lemos,Ferreira Fischer Jônatas,Amora Márcio André Baima
Abstract
A detecção de code smells durante o processo de desenvolvimento de software é importante para melhorar a qualidade do software e a refatoração é fundamental para eliminar esses indícios de problema. Este estudo avalia uma abordagem empírica que se baseia no treinamento de cinco algoritmos de aprendizado de máquina para detectar code smells em sistemas de software, utilizando métricas de software como parâmetros. Os resultados mostram que a abordagem de aprendizado de máquina tive um excelente desempenho para a detecção de code smells, alcançando uma acurácia entre 93,7% a 99,2%.
Publisher
Sociedade Brasileira de Computação
Reference37 articles.
1. Abdou, A. and Ramadan, N. (2022). Selected code-quality characteristics and metrics for internet of things systems. Journal of Software: Evolution and Process, 34:18.
2. Al Shalabi, L., Shaaban, Z., and Kasasbeh, B. (2006). Data mining: A preprocessing engine. Journal of Computer Science, 2(9):735–739.
3. Arlot, S. and Celisse, A. (2010). A survey of cross-validation procedures for model selection.
4. Ashraf Abdou, N. R. (2022). Severity classification of software code smells using machine learning techniques: A comparative study. Journal of Software: Evolution and Process, page 37.
5. Breiman, L. (2001). Random forests. Machine learning, 45:5–32. Brown, W. H., Malveau, R. C., McCormick, H. W. S., and Mowbray, T. J. (1998). AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis. John Wiley & Sons, Inc., USA, 1st edition.