An Effective Software Risk Prediction Management Analysis of Data Using Machine Learning and Data Mining Method

为了保证更高质量的软件开发过程，风险管理是必不可少的。此外，风险是可能对组织运营或项目进展产生负面影响的因素。适当地对软件项目风险进行优先排序是确定软件项目性能特征和最终成功的关键因素。它们可以与相同的训练样本和良好的补充和兼容性和谐地使用。我们在四个基准数据集上进行了深入的测试，以确认我们的CIA方法在有和没有防御的封闭世界和开放世界场景中的有效性。我们还提出了一种顺序增量参数优化技术，捕捉最新深度学习WF攻击模型的相互依赖关系。为了实现精确的软件风险评估，采用增强的鸦搜索算法（ECSA）来修改ANFIS设置。利用ECSA提取略微改变局部最优解并保持在其中的解。在NASA 93数据集和93个软件项目价值上进行了实验验证。该方法的输出呈现了实现项目性能所必需的软件风险要素的清晰图像。我们实验的结果表明，与其他当前方法相比，我们的综合模糊技术在评估软件项目风险方面可能更准确、更有效。

本论文旨在提高软件开发流程的质量，通过风险管理来解决可能会对组织运营或项目进展产生负面影响的风险。同时，试图通过改进的Crow Search算法和ANFIS技术来实现精确的软件风险评估。

论文的关键思路是采用改进的Crow Search算法和ANFIS技术相结合的方法来实现精确的软件风险评估，该方法在NASA 93数据集上进行了实验验证。

论文使用了四个基准数据集进行了深入测试，证实了CIA方法在闭环和开环情况下的有效性。此外，论文还提出了一种顺序增强参数优化技术来捕捉最新的深度学习WF攻击模型的相互依赖关系。实验结果表明，与其他当前方法相比，论文提出的综合模糊技术在评估软件项目风险方面可能更加准确和有效。

最近的相关研究包括：《基于深度学习的软件风险评估方法》、《软件风险管理的综合方法》、《改进的Crow Search算法在多目标优化中的应用》等。