Técnicas de ajuste de hiperparámetros de algoritmos de aprendizaje automático para la estimación de esfuerzo: un mapeo de literatura

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
Christian Quesada-López
Alexandra Martínez Porras
Marcelo Jenkins Coronas

Proyecto asociado a la publicación

Palabras claves
  • Algorithms
  • Computers–Information Science And Information Theory
  • Estimation
  • Machine learning
  • Mapping
  • Parameter estimation
  • Process parameters
  • Software development
  • Tuning

BIBTEXT

Datos bibliográficos
Cita bibliográfica
Técnicas de ajuste de hiperparámetros de algoritmos de aprendizaje automático para la estimación de esfuerzo: un mapeo de literatura