ПРОГНОЗУВАННЯ ПОКАЗНИКІВ ЯКОСТІ ПРОГРАМНИХ СИСТЕМ ІЗ ЗАСТОСУВАНЯМ МОДИФІКАЦІЙ МЕТОДИКИ LIME
DOI:
https://doi.org/10.31891/2307-5732-2024-341-5-66Ключові слова:
оптимізація, LIME, модель глибокого навчання, модифікації, адаптивність, інформаційні технологіїАнотація
В роботі наведено результати досліджень, щодо модифікації методики LIME, котрі спрямовані на підвищення точності та адаптивності оцінки моделей машинного навчання. Зокрема, розглянуто п'ять основних модифікацій: використання вагових функцій для оптимізації локальної апроксимації, впровадження нелінійних апроксимаційних моделей, застосування багатозадачного навчання, оптимізацію вибору суперпікселів та інтеграцію часових параметрів. Метою роботи є: дослідження п’яти способів оптимізаційних модифікацій методології LIME для покращення точності та ефективності прогнозування показників якості програмних систем (ПС). Виходячи із поставленої мети в роботі поставлено наступні завдання: провести детальний огляд проблем, пов’язаних із застосуванням методології LIME при оцінці якості ПС; математично описати п’ять способів модифікації методології LIME, спрямованих на покращення точності, адаптивності та швидкості оцінки показників якості ПС; провести експериментальну перевірку запропонованих модифікацій для оцінки їхньої ефективності в порівнянні з оригінальною методологією. Об’єкт дослідження: методологія LIME у контексті забезпечення оцінки якості ПС. Предмет дослідження: математичний апарат та алгоритмічні рішення щодо вдосконалення методології LIME. В рамках дослідження передбачається визначення п’яти оптимізаційних адаптаційних підходів для покращення методу LIME. Експериментальні результати показали, що модифікації дозволяють досягати вищої точності та покращеної інтерпретованості в порівнянні з оригінальною методикою LIME. Найбільш ефективною виявилась модифікація з нелінійними моделями, яка досягла точності 0.87. Перспективи подальших досліджень включають дослідження нових моделей, аналіз впливу різних параметрів, оптимізацію обчислювальних витрат та адаптацію методики до інших доменів. Результати цього дослідження підкреслюють важливість вдосконалення методик інтерпретації моделей машинного навчання для підвищення їх практичної застосовності в різних сферах.