可追踪评估模型TAM的评估
1. 评估的标准
(1) 追踪的计划者创建追踪的信息,不符合规定的可追踪性
(2) 追踪的创建者创建的追踪,不符合追踪的计划者指定的追踪的信息
2. 评估的结果
每个评估都可以通过比较两组数据的一致性来表征。一套包含所需的数据,另一套包含满足的数据。会产生以下结果:
(1) 履行集完全符合所需的数据集。这种结果在我们的质量模型中由可追踪门元素表示
(2) 实现的集合是不完整的,因为它缺少数据以便完全符合所需的数据集合。
(3) 实现集是冗余的,因为它包含了多余的数据,不需要符合所需的数据集
(4) 实现的集合是不完整和冗余的
【解释】第一列:可追踪性门
第二列:缺失问题类别
第三列:冗余问题类别
3. 追踪问题的影响
(1) 缺失
①可追溯性问题1M缺失可追踪制品类,2M缺少可追踪链类,以及3M缺少可追踪路径类意味着被评估软件开发项目中的指定追踪信息不完整。由于在TDM和TIM的元模型中定义的可追踪性实体依赖于另一个(见图1,2和3),导出的问题类也依赖于另一个。特别是,1M的问题意味着2M,因为一个软件制品类是一个可追踪链类的组成部分。但是,1M仅指示潜在的3M,因为可追踪制品类也是可追踪路径类的组成部分,但对于一个特定的可追踪制品类,可能不需要可追踪路径类。由于每个工件都是可追踪制品类的一个实例,所以1M也意味着4M。同样,由于各自的实例依赖关系,2M意味着5M,3M意味着6M。 3M的问题意味着2M,因为可追踪链接类是可追踪路径类的组成部分。
‚可追溯性数据丢失:可追溯性问题4M缺失可追踪制品,2M缺失可追踪链和6M缺失跟踪路径意味着被评估的软件开发项目中的现有可追踪性数据不完整。基于现有的可追踪性实体依赖关系,问题4M意味着5M,因为可追踪制品是可追踪链的组成部分。但是,4M只能指示潜在的6M,因为可追踪制品也是跟踪路径的组成部分,但对于一个特定的可追踪制品,可能不需要可追踪路径。 6M意味着5M,因为跟踪链是可追踪路径的一个组成部分。
(2) 冗余
①多余的可追踪性信息:可追踪性问题1S多余的可追踪制品,2S多余的可追链类和3S多余的可追踪路径类意味着在评估的软件开发项目的指定的可追踪性信息中存在元素,这些元素对于任何追踪相关的目的。消除这些不必要的元素减少了建立可追踪性所花费的努力,因为创建和维护多余的追踪链路和追踪路径将被省略。再次,问题类别依赖于另一个。问题1S表示2S问题和3S问题,因为可追踪类是可追踪链类和可追踪路径类的组成部分。这只是一个迹象,因为理论上可以指定一个可追踪制品类而不参与任何可追踪链类。由于每个可追踪链是可追踪链类的一个实例,所以2S意味着5S。同样,3S意味着6S。问题3S意味着2S,因为可追踪链类是可追踪路径类的组成部分。
‚多余的可追踪性数据:可追踪性问题2S多余的追踪链和6S多余的可追踪路径意味着被评估的软件开发项目中现有的可追踪性数据是不必要的。 相应地,创建可以被省略以减少可追踪性实施工作。
可追踪评估模型TAM的评估相关推荐
- 一文详解DCMM(数据管理能力成熟度评估模型)贯标评估全流程
近年来,工信部组织中国电子信息行业联合会积极推进DCMM在各行业的贯标应用,2022年全年共完成企业贯标评估1040家. 各地方政府,进一步加快推动我国DCMM贯标评估,提升企业数据管理能力和数字化转 ...
- 可追踪评估模型TAM1
1.TAM简介 ISO,IEC和IEEE等机构提供了各种类似的术语质量定义. ISO 9000:2005标准[20]将质量定义为"一系列固有特性满足要求的程度"[1].在最近的关于 ...
- 长安汽车流程体系成熟度评估模型的应用
有关流程的定义有很多.牛津英语词典对流程的解释是:流程是指一个或一系列.连续有规律的行动,这些行动以确定的方式发生或执行,导致特定结果的实现.ISO 9000 定义流程是一组将输入转化为输出的相互关联 ...
- R语言构建随机森林模型randomForest分类模型并评估模型在测试集和训练集上的效果(accuray、F1、偏差Deviance):随机森林在Bagging算法的基础上加入了列采样(分枝特征随机)
R语言构建随机森林模型randomForest分类模型并评估模型在测试集和训练集上的效果(accuray.F1.偏差Deviance):随机森林在Bagging算法的基础上加入了列采样(分枝特征随机) ...
- R语言构建xgboost文本分类模型(bag of words):xgb.cv函数交叉验证确定xgboost模型的最优子树个数、交叉验证获取最优子树之后构建最优xgboost模型并评估模型文本分类效能
R语言构建xgboost文本分类模型(bag of words):xgb.cv函数交叉验证确定xgboost模型的最优子树个数.交叉验证获取最优子树之后构建最优xgboost模型并评估模型文本分类效能 ...
- R语言基于Bagging算法(融合多个决策树)构建集成学习Bagging分类模型、并评估模型在测试集和训练集上的分类效果(accuray、F1、偏差Deviance):Bagging算法与随机森林对比
R语言基于Bagging算法(融合多个决策树)构建集成学习Bagging分类模型.并评估模型在测试集和训练集上的分类效果(accuray.F1.偏差Deviance):Bagging算法与随机森林对比 ...
- R语言构建文本分类模型:文本数据预处理、构建词袋模型(bag of words)、构建xgboost文本分类模型、xgboost模型预测推理并使用混淆矩阵评估模型、可视化模型预测的概率分布
R语言构建文本分类模型:文本数据预处理.构建词袋模型(bag of words).构建xgboost文本分类模型.xgboost模型预测推理并使用混淆矩阵评估模型.可视化模型预测的概率分布 目录
- R语言构建logistic回归模型并评估模型:模型预测结果抽样、可视化模型分类预测的概率分布情况、使用WVPlots包绘制ROC曲线并计算AUC值
R语言构建logistic回归模型并评估模型:模型预测结果抽样.可视化模型分类预测的概率分布情况.使用WVPlots包绘制ROC曲线并计算AUC值 目录
- R语言构建logistic回归模型并评估模型:构建基于混淆矩阵计算分类评估指标的自定义函数、阳性样本比例(垃圾邮件比例)变化对应的分类器性能的变化、基于数据阳性样本比例选择合适的分类评估指标
R语言构建logistic回归模型并评估模型:构建基于混淆矩阵计算分类评估指标的自定义函数.阳性样本比例(垃圾邮件比例)变化对应的分类器性能的变化.基于数据阳性样本比例选择合适的分类评估指标 目录
最新文章
- java zip打包与乱码的解决
- Android 编译报错:Could not get resource
- SpringBoot自动装载
- python性能解决_Python性能优化的20条建议
- 浅谈javascript中原型(prototype)、构造函数、对象实例及三者之间的关系
- Morphia和MongoDB:不断发展的文档结构
- twitter数据分析_Twitter上最受欢迎的数据科学文章主题
- Arrays类的排序(sort、parallelsort)
- 几个容器网络相关问题的分析和解决总结(续1)
- 元素跟随鼠标旋转,未待完续。。。。
- 【转】VC++计算当前时间点间隔N天的时间(不使用CTimeSpan类)
- java.sql.SQLException: Access denied for user ‘root‘@‘hadoop001‘ (using password: YES)
- 移动相机GoPro文件帮手—Helper for GoPro Files for Mac
- Android Studio 第五十五期 - Studio3.0升级到gradle3.0.0后API失效方案
- 大学生计算机竞赛试题,大学生计算机基础知识竞赛题库_大学生计算机基础知识竞赛试题附答案.docx...
- pytorch模型加密
- 【论文总结】Enhancing Underwater Imagery using Generative Adversarial Networks
- BufferedWriter使用write方法如何换行
- 【JavaWeb学习】—iframe标签(四)
- 推荐一个关于视觉和图像处理的博客聚合-PIXEL SHAKERS