Evaluación comparativa de algoritmos de aprendizaje automático para la predicción de defectos utilizando métricas orientadas a objetos y de complejidad del software

Vista sencilla de ítem
dc.contributor.authorPelayo Lomelí, Yaretxy Arely
dc.contributor.directorGarcía Vázquez, Juan Pablo
dc.coverage.placeofpublicationMexicali, Baja California.
dc.date.accessioned2026-04-19T21:55:17Z
dc.date.available2026-04-19T21:55:17Z
dc.date.created2025
dc.degree.deparmentUniversidad Autónoma de Baja California, Facultad de Ingeniería, Mexicali.
dc.degree.grantorTesis de Maestría / master Thesis.
dc.degree.nameMaestría en Ciencias
dc.description.abstractLa predicción de defectos de software representa un desafío constante para los desarrolladores, debido a que se realizan manualmente, consumen mucho tiempo y suelen ser costosas. Las métricas de software juegan un papel clave en la predicción de defectos de software. El objetivo de esta tesis es evaluar y comparar el desempeño de diversos algoritmos de aprendizaje automático para predecir defectos de software utilizando métricas orientadas a objetos y métricas de complejidad. Se utilizó el conjunto de datos MJ12A, compuesto por 19,148 registros y 20 métricas. Se aplicaron técnicas de preprocesamiento de datos como balanceo de clases a través de SMOTE (Synthetic Minority Over-Sampling Technique), normalización y se implementaron diversos algoritmos como K-Nearest Neighbors (KNN), Naïve Bayes (NB), Random Forest (RF), Support Vector Machine (SVM) y Perceptron Multicapa (MLP). Se realizaron tres experimentos utilizando: 1) métricas de complejidad, 2) métricas orientadas a objetos y 3) la combinación de métricas de complejidad y orientadas a objetos. Para determinar el desempeño de los algoritmos se utilizaron métricas de evaluación como exactitud, precisión, recall, sensibilidad, especificidad, F1-score, kappa y G-media lo que permitió conocer su capacidad predictiva. El algoritmo con mejor rendimiento fue RF con una exactitud del 87.23% y un F1-score de 86.67%. Para cada algoritmo se utilizaron múltiples configuraciones de hiperparámetros con el objetivo aplicar pruebas t-student con p-valor < 0.05 de significancia. Se confirmó que RF supera de forma significativa a los demás algoritmos. Otro hallazgo interesante es que la combinación de métricas orientadas a objetos y de complejidad permiten predecir defectos con mayor precisión que un solo un tipo de métrica. Palabras clave: Aprendizaje automático, Predicción de defectos, Pruebas de software, Métricas de software.
dc.format.extentRecurso en línea, 120 p.
dc.format.mimetypepdf
dc.identifier.urihttps://hdl.handle.net/20.500.12930/13812
dc.language.isospa
dc.publisherUniversidad Autónoma de Baja California.
dc.relation.urlhttps://drive.google.com/file/d/1pGk40YU8CyFb0QWjlJsqFSNOufRwLmi4/view?usp=sharing
dc.rightsopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4
dc.subjectDiseño de sistemas||lemb||Análisis de sistema
dc.subject.lccQA76.9.S88 P45 2025
dc.titleEvaluación comparativa de algoritmos de aprendizaje automático para la predicción de defectos utilizando métricas orientadas a objetos y de complejidad del software
dc.uabc.bibliographycNoteIncluye referencias bibliográficas.
dc.uabc.bilbiotecaMEXICALI
dc.uabc.identifier281932
dc.uabc.numInventarioMXL126062
dc.uabc.typeMaterialTESIS
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
MXL126062.pdf
Tamaño:
4.17 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Tesis de Maestría (Mexicali)