可追踪评估模型TAM1

2024-05-18 16:46:28

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]。在最近的关于软件开发项目中可追踪性质量的实证研究，[6]，[12]中，我们发现它们都遭受了既定追踪不适合其预期目的的问题。提出了一个可追踪性评估模型（TAM），用于分析既定可追踪性是否适合其预期目的

[1] ISO, “ISO 9000:2005 – quality management systems. fundamentals and vocabulary,” ISO, Tech. Rep., 2005.

[2] P. M¨ader, P. L. Jones, Y. Zhang, and J. Cleland-Huang, “Strategic traceability for safety critical projects,” Software, IEEE, vol. 30, no. 3,pp. 58–66, 2013.

[3] P. Rempel, P. M¨ader, T. Kuschke, and J. Cleland-Huang, “Mind the gap: Assessing the conformance of software traceability to relevant guidelines,” in Proc. of the 36th International Conference on Software Engineering (ICSE), Hyderabad, India, 2014.

2.TAM的组成

2.1可追踪性实体

2.2可追踪门

可追踪门元素在质量方面指定可追踪实体的可接受状态。为了给从业人员提供清晰明确的评估指导，每个可追踪性门已经分配了一个由标准要素表示的质量标准。所分配的质量标准定义了如何通过评估确定可追溯性实体的可接受状态，并将其指定为正式表达。设Q是所有定义的可追踪门的集合，C是所有定义的标准的集合。

【举例说明】

如图可知有三个可追踪性门，图中的公式代表着质量标准，如果满足质量标准就是可接受状态，否则，就是不可接受状态。根据图可以知道，门的类型是根据不同的追踪元素确定的，例如，关于软件制品的追踪是门1，而对于追踪链的追踪是门2。每一种门对应有几个不同的追踪问题。

2.3可追踪性问题

2.3.1定义

可追踪性实体可能会偏离其可接受的状态。这种不可接受的偏差在TAM中被表示为可追踪性问题元素。设Q是所有可追踪性问题的集合。

2.3.1组成

可追踪评估模型TAM1相关推荐

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 ...
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
R语言构建logistic回归模型并评估模型：计算混淆矩阵、并基于混淆矩阵计算Accuray、Precision、Recall(sensitivity)、F1、Specificity指标
R语言构建logistic回归模型并评估模型:计算混淆矩阵.并基于混淆矩阵计算Accuray.Precision.Recall(sensitivity).F1.Specificity指标目录

最新文章

热门文章