Calibrage des modèles d’estimation paramétrique

Les modèles d’estimation paramétriques expriment la sortie en fonction de l’entrée, ainsi, par exemple, exprimer le coût d’entreprendre un projet lorsqu’il est exprimé en fonction de plusieurs variables est un exemple de modèle d’estimation qui utilise des paramètres.

Ces modèles utilisent des données provenant d’une source pour générer les coefficients. Si de tels modèles sont utilisés pour prédire la variable de sortie en question à l’aide d’une équation linéaire / non linéaire, les données utilisées pour entraîner le modèle d’estimation pour produire les coefficients dépendent de certaines conditions qui doivent être recalibrées dans d’autres conditions. Les modèles d’estimation paramétrique peuvent utiliser la régression, qui n’est rien de plus que la méthode des moindres carrés pour estimer, par exemple, coût du projet = fonction (complexité, nombre de ressources, taille du projet), etc., Les données utilisées pour arriver aux coefficients utilisées dans la fonction sont spécifiques à certaines conditions, donc l’équation Coût du projet = fonction (complexité, nombre de ressources, taille du projet) ne sera pas valide dans toutes les conditions autres que les conditions similaires utilisées pour entraîner les données.

les professionnels de l’estimation utilisent COCOMO, qui est un modèle dans lequel l’effort du projet de développement logiciel est exprimé en fonction de plusieurs variables telles que la complexité, la taille du projet, le niveau de compétence des ressources, etc., mais ce modèle est formé à l’aide de données obtenues de la NASA projets logiciels. Le même modèle peut ne pas être valide s’il est utilisé pour estimer des projets réalisés dans une usine de fabrication ou un centre de développement offshore en Inde La validité des résultats prédits par de tels modèles doit être vérifiée par recoupement en collectant des données spécifiques au projet. le contexte.

Dans le cas de données contextuelles, il faut collecter des données de projet qui sont actuelles et complètes et couvrent la largeur du projet dans tous les aspects et scénarios. Encore une fois, cela revient à générer des équations de régression / des modèles d’apprentissage automatique qui prédisent la sortie de l’entrée. Ainsi, la question se pose de savoir si ces modèles d’estimation packagés (COCOMO, SLIM, etc.) utilisés dans l’industrie peuvent être utilisés dans une organisation sans recalibrer les coefficients utilisés dans les modèles pour prédire la sortie des variables d’entrée.

La réponse est non. Si une organisation décide d’utiliser ces modèles, il est préférable d’utiliser des données sensibles au contexte et d’utiliser la régression statistique ou, alternativement, recalibrer les coefficients utilisés dans ces modèles emballés à l’aide de données contextuelles.