Descripción:
Distintos algoritmos de aprendizaje automático (ML) han sido utilizados para apoyar los procesos de estimación de esfuerzo de desarrollo del software (EES). Sin embargo, el desempeño de estos algoritmos puede verse impactado por varios factores, uno de los cuales es la escogencia de los hiperparámetros. En los últimos años, el ajuste de hiperparámetros ha surgido como un área de investigación de interés para la EES que busca optimizar el desempeño de los modelos de ML. En este trabajo, realizamos un mapeo sistemático de literatura para caracterizar las técnicas de ajuste automático de hiperparámetros de algoritmos de ML utilizados en el contexto de la EES. Presentamos los resultados de 67 estudios identificados entre el 2010 y el 2019 y clasificamos las técnicas de ajuste de hiperparámetros, los algoritmos de ML y los conjuntos de datos dónde se han aplicado. Asimismo, reportamos los retos reportados como mapa de ruta para futuras investigaciones en el área.
Tipo de publicación: Journal Article
Publicado en: Revista Ibérica de Sistemas e Tecnologias de Informação
Autores- Villalobos-Arias,Leonardo
- Quesada-López,Christian
- Martínez,Alexandra
- Jenkins,Marcelo
Investigadores del CITIC asociados a la publicación
Leonardo Villalobos Arias
Dr. Christian Quesada-López
Dra. Alexandra Martínez Porras
Dr. Marcelo Jenkins Coronas
Proyecto asociado a la publicación
Evaluación empírica de una metodología para la automatización de la medición del tamaño funcional del software.
- Algorithms
- Computers–Information Science And Information Theory
- Estimation
- Machine learning
- Mapping
- Parameter estimation
- Process parameters
- Software development
- Tuning