Técnicas de ajuste de hiperparámetros de algoritmos de aprendizaje automático para la estimación de esfuerzo: un mapeo de literatura
Guardado en:
| Autores: | , , , |
|---|---|
| 格式: | artículo original |
| Fecha de Publicación: | 2021 |
| 實物特徵: | 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. |
| País: | Kérwá |
| 機構: | Universidad de Costa Rica |
| Repositorio: | Kérwá |
| 語言: | Español |
| OAI Identifier: | oai:kerwa.ucr.ac.cr:10669/102206 |
| 在線閱讀: | https://hdl.handle.net/10669/102206 |
| Palabra clave: | hiperparámetros aprendizaje automático estimación de esfuerzo del desarrollo de software mapeo sistemático de literatura hyper-parameters machine learning software effort estimation systematic literature mapping study |