Details

Целью работы является исследование эффективности различных контролируемых алгоритмов ML для прогнозирования рефакторинга программного обеспечения. Были решены следующие задачи: - Исследовать подходящие алгоритмы для прогнозирования рефакторинга; - Исследовать как точно контролируемые алгоритмы ML предсказывают рефакторинг программного обеспечения; - Найти важные характеристики в моделях прогнозирования рефакторинга; - Можно ли переносить модели прогнозирования в различные контексты. Актуальность темы обусловлена необходимостью поддерживать процесс разработки в крупных компаниях на должном уровне. Писать код «который работает» не есть залогом производительного приложения. Рефакторинг дает возможность привести код в надлежащий вид, что позволит в дальнейшем этот код легко читать, использовать повторно, поддерживать и расширять саму систему. Источниками информации выступили данные зарубежной научно-исследовательской литературы, официальных Интернет-ресурсов и аналитических агентств. Результатом работы является вывод о том, что контролируемые алгоритмы машинного обучения (ML) эффективны в прогнозировании возможностей рефакторинга и действительно могут помочь разработчикам в принятии более быстрых и обоснованных решений относительно того, что рефакторить.

The aim of the work is to investigate the effectiveness of various supervised ML algorithms for software refactoring prediction. The following objectives were achieved: - To investigate suitable algorithms for predicting refactoring; - Investigate how precisely controlled ML algorithms predict software refactoring; - Find important characteristics in predictive refactoring models; - Whether prediction models can be transferred to different contexts. The relevance of the topic stems from the fact that to keep the development process in large companies on track. Writing code "that works" is not a guarantee of a productive application. Refactoring gives an opportunity to bring the code to a proper form which will allow to read this code in future, to use it again and again, to maintain and extend the system itself. The sources of information were data from foreign research literature, official Internet resources and analytical agencies. The result of the work is the conclusion that supervised machine learning (ML) algorithms are effective in predicting refactoring opportunities and can indeed help developers make faster and more informed decisions about what to refactor.