Les méthodes utilisées dans la priorisation des tests

Table des matières

1 INTRODUCTION
1.1 Introduction
1.2 Problématique
1.3 Organisation du Mémoire
2 ÉTAT DE L’ART: un Aperçu 
2.1 Introduction
2.2 Métriques Orientées Objet
2.2.1 Métriques de complexité
2.2.2 Métriques de taille
2.2.3 Métriques de couplage
2.2.4 Response For Class
2.3 Solutions Existantes
2.3.1 Seuils des métriques
2.3.2 Classification binaire
2.3.3 Niveau de sévérité
2.4 Limitations
2.5 Piste Potentielle
2.6 Conclusion
3 MÉTHODOLOGIE DE LA RECHERCHE 
3.1 Introduction
3.2 Questions de Recherches
3.3 Présentation des Données
3.4 Construction des Modèles de Risque
3.5 Prétraitements et Préparation des Données
3.6 Machine Learning
3.6.1 Naïve bayes
3.6.2 Arbres de décisions
3.6.3 Machines à vecteurs de support
3.6.4 Réseaux de neurones artificiels
3.7 Méthodes d’Évaluation
3.7.1 10-Fold validation
3.7.2 G-mean
3.7.3 Area un der the curve
4 EXPÉRIMENTATIONS ET RÉSULTATS 
4.1 Introduction
4.2 Classification Binaire
4.2.1 Description de l’expérimentation
4.2.2 Rappel des questions de recherche
4.2 .3 Résultats
4.2.4 Discussion
4.3 Détection du Niveau de Sévérité
4.3.1 Introduction
4.3.2 Rappel des questions de recherche
4.3.3 Détection des fautes de sévérité normale
4.3.4 Détection des fautes de sévérité élevées
4.3.5 Détection du niveau de sévérité des fautes
4.3.6 Conclusion
4.4 Prédiction de Risque
4.4.1 Introduction
4.4.2 Rappel des questions de recherche
4.4.3 Définition du risque empirique
4.4.4 Modèle de risque multidimensionnel
4.4.5 Description de l’expérimentation
4.4.6 Résultats
4.4.7 Conclusion
5 DISCUSSIONS ET CONCLUSION
5.1 Menaces de Validité
5.1.1 Risques de validité externes
5.1.2 Risques de validité internes
5.1.3 Risques de validité conceptuelle
5.2 Conclusion et Perspectives
BIBLIOGRAPHIE
ANNEXE A Classification Binaire
ANNEXE B Prédiction des Fautes de Sévérité Normale
ANNEXE C Prédiction des Fautes de Sévérité Élevée
ANNEXE D Prédiction du Niveau de Sévérité
ANNEXE E Prédiction de Risque