YEEM : Yazılım Projeler Malyet Tahmnleme Ölçev Set ve Model Murat AYYILDIZ 1, ya KALIPSIZ 1 ve Sırma YAVUZ 3 1,2,3 Blgsayar Mühendslğ Bölümü, Yıldız Teknk Ünverstes Beşktaş, İstanbul. e-posta: {f0100301, kalpsz, srma}@ce.yldz.edu.tr Abstract The metrc-set selecton has a vtal role n software cost estmaton studes; ts mportance has been gnored especally n neural network based studes. In ths study we have explored the reasons of those dsappontng results and mplemented dfferent neural network models usng augmented new metrcs. The results obtaned are compared wth prevous studes usng tradtonal metrcs. To be able to make comparsons, two types of data have been used. The frst part of the data s taken from the Constructve Cost Model whch s commonly used n prevous studes and the second part s collected accordng to new metrcs n a leadng nternatonal company n Turkey. The accuracy of the selected metrcs and the data samples are verfed usng statstcal technques. The models presented here are based on Mult-Layer Perceptron and Elman Networks for both 81 metrc set and for the augmented metrc set (YEEM). Another dffculty assocated wth the cost estmaton studes s the fact that the data collecton requres tme and care. To make a more thorough use of the samples collected, k-fold, cross valdaton method s also mplemented. It s concluded that, as long as an accurate and quantfable set of metrcs are defned and measured correctly, neural networks can be appled n software cost estmaton studes wth success 1. GİRİŞ Ölçme gerçek dünyadak varlıkların özellklerne onları tanımlayablmek çn açıkça tanımlanmış kurallara göre sayı veya sembol atanması şdr. Br varlığı ölçmek dye br süreçten bahsedemeyz. Br varlığın br özellğn tanımlanmış br kurala göre ölçme şnden bahsedeblrz. Bu çalışmada öncelkl olarak belrlenmş yöntemlere göre yazılım malyetleme çalışmalarında kullanılablnecek yen br ölçev kümes oluşturmuş ve sonra br çok yapay snr ağı model ncelemesnden sonra br MLP ve Elman kullanarak br model ortaya koymuştur. 2. LUŞTURULAN ÖLÇEV KÜMESI 2.1 Ölçev Kümes Belrleme Metodolojs Ölçev (Metrc) br sstemn veya br parçanın verlen br özellğnn ncel ölçüm derecesdr. Ölçev hesaplanablr veya brleşk br gösterge olablr. Br yazılım htyacının büyüklüğünün ölçülebleceğ fkrn lk ortaya çıkaran ve br sstem kuran Allan Albrecht tr. 1979 da IBM de çalışan Albrecht şlev puan analz adıyla br method ortaya koymuştur. Calforna da br danışmanlık frması olan TRW de bulunan br çok proje üzernde çalışarak, Boehm yu ortaya koymuştur. görecel olarak dosdoğru br modeldr. Yapay snr ağı kullanarak yazılım malyet tahmnleme konusunda yapılmış olan brçok çalışmada 81 ölçev kümesn kullanmıştır. Ancak kullanılablnecek sevyede y sonuçlar alınılmamıştır. Burada krtk nokta ölçev setnn oluşturulmasına yeter kadar önem verlmemesdr. Bu yüzden bz çalışmadan önce br ölçev set oluşturmaya karar verdk. luşturduğumuz bu ölçev setne YEEM (Yıldız Effort Estmaton Metrcs) smn verdk. Brçok çalışmada 81 ölçev kümesn kullanması dolayısıyla oluşturduğumuz ölçev kümesnde 81 çermes bze çalışma sonuçlarını br nebze karşılaştırablme şansı tanıyacağının önemn hmal etmedk. luşturuluan ölçev kümes temel olarak 81, II, 21 adet gerçek yazılım projesn, toplam 90 yıllık yazılım gelştrme tecrübes olan 28 yazılım gelştrme proje yönetcs öner ve fkrler üzernde çalışılarak hazırlanmıştır. Lteratürde ölçev belrleme konusunda oldukça az çalışma vardır. Yazılım mühendslğ ölçevlern belrlemek oldukça zordur. İy tanımlanmamış hedefler, y tanımlanmamış hpotezler ve gözlemsel onaylama süreçler eksklg temel nelenlerdr[1]. Ölçev belrleme çalışması metodolojk olarak tanımlanmalıdır. Şekl 1 de kullandığımız ölçev belrleme çalışmasının temel görevler gösterlmştr. Şekl.1 : Yazılım ölçevlernn tanımlama ve onaylama methodu Bz net ölçüm hedefler üzernde br ölçev set oluşturmaya çalıştık. Bu yüzden hedefe yönelk ölçüm (GQM : Goal rented Measure) yaklaşımını ölçev seçme ve onaylama sürec çn kullandık. Basl ve Wess [2] ver toplama..
metodolojsn YEEM I oluşturmak çn kullandık Bu metodolojnn gerbeslemel 6 adımı vardır. Bu altı adım:. Yazılım projeler malyet göstergeler ver toplaması le lgl hedefler belrledk. İlg soru lstelern oluşturduk,. Ölçev-Kümes kategorlern oluşturduk. v. Very topladık ve onayladık v. Very analz ettk. Yapılan belrleme çalışmasından sonra teork ve deneysel onaylama (valdaton) sürecn tamamlamız gerekt. Teork onaylama sürec temelde k türlüdür: a. Özellk bazlı yaklaşımlar ([3], [1]) b. Ölçüm teors bazlı yaklaşımlar ([4], [5], [6]) Bu çalımada YEEM n teork onaylama sürec çn dstance framework modeln kullandık. Bu model Poels ve Dedene[6] tarafından ortaya konmuş ölçme teors bazlı yazılım ölçev onaylama çn kavramsal br çatıdır. Bu çatı bu bldrnn kapsamı dışındadır. Detayları kaynaklar [6] kısmında bulablrsnz. Bu çatının 5 aktvtes vardır. Bunlar ()Br ölçüm soyutlaması bulunur, () Uzaklık tanımlanır, () Ölçüm soyutlamaları arasında k uzaklıklar ntelendrlr (v) Referans br soyutlama bul, (v) Bu özellk çn br ölçme tanımla. Deneysel onalaylama sürec bu tür çalışmalar aslıda gerçek br kanıttır. YEEM ölçev kümes çn saha çalışmalar ve vaka çalışmaları yapılmıştır. 2.2 YEEM ölçev kümes Ölçev belrleme çalışmamızda dkkat ettğmz temel noktalar şunlardır: a. Ölçevler ayrık, yalıtılmış olmalıdır. b. Süreç, kş, ürün bazında mümkün olduğunca çok ölçev bulup daha sonra yapılacak br analz le en yararlıların bulunmasının sağlanmalıdır. c. Ölçevlern brbrleryle lşkl olmamaması gerekmektedr. Brbrler üzernde etks olmamalıdır veya çok az olmalıdır. Bu sürekl zlenmeldr. d. Ölçev bulma, çıkarma sürec sstematk ve düzenl olmalıdır. Sürekl yleştrme yapmak gerekmektedr. e. Ölçevlern doğruluğu gerçek hayat le kontrol edleblmeldr. f. İstatstksel yöntemlele ölçevlern hata analzler yapılmalıdır. Böylece gereksz hatta zararlı ölçevler temzlenmeldr. g. Ölçev bazında mantıklı ve doğru karşılaştırmalar yapablmek çn kş, süreç ve ürün benzerlkler ve farklılıkları karşılaştırmaları y blnmeldr. h. Ölçevler toplarken ölçevlere bulaşanların farkında olmalıdırlar. Burada çok ünlü k "H" vardır (Hesenberg etks ve Hawthorne etks.). Ölçevler zararlı olablr. Daha doğrusu ölçevler yanlış kullanılıyor olablrler. Buna sürekl dkkat edlmeldr. Ölçev belrleme çalışması yaparken 21 adet gerçek proje, 81, yapılmış çalışmalar ve 28 tane 3 yıldan fazla proje yönetm tecrübes olmuş proje yönetcsyle brebr görüşüldü. Proje yönetcsnn önerler bu başlangıç matrse eklenmştr. Elde edlen verlen üzernde dönüşüm matrs oluşturuldu. Korelasyonlar belrlenp elenmştr. Matematksel, statstksel ve gözlemsel br optmzasyon çalışmasından sonra 6 temel grupta toplanmıştır. Bunlar şn büyüklüğü (ürün), kaynak, rsk, teknoloj, ortam le planlar ve tahmnler gruplarıdır. da belrtlen tüm ölçevler bu önerlen ölçev setnde kullanılmıştır. Bununla beraber br hyerarşk yapı getrlmştr. Bu çalışmada aynı zamanda daha y sonuç alablmek çn br melez model kullanılmıştır Brçok ölçevn yanı sıra şlev puanı kullanımı ve baştan yapılan tahmnlernde grd olarak kullanımı melez br durum yaratmaktadır ve başarı htmaln artırmaktadır. Elde ettğmz ölçev kümes Tablo 1 de gösterlmştr. 6 Ana ölçev grubu ve bunlara bağlı 24 ölçev bu tablodan göreblrsnz. Bu 24 tane ölçevn bazılarınında alt ölçevler vardır. Bunlarla beraber aslında toplam 56 tane grd ölçev vardır. Bu alt ölçevler bu tabloda gösterp tabloyu karmaşık hale getrmemek çn tablodan sonra açıklamaya çalıştık. Tablo 1. Önerlen Ölçev Set Ana Ölçev İşn Büyüklüğ ü (Ürün) Kaynak Rsk Teknoloj rtam Ölçev (Metrc) 1. Karmaşıklık 2.İşlev Puan (Functon Pont) 3.Önem 4. Ayrılan Bütçe 5. Ürünün beklenen özellkler 6. Çalışanın yeterllkler 7 Çalışanların Projeye katılım oranları 8. Çalışan Kş Sayıları 9. Donanım Durumu 10.Bütçe Değşme Rsk 11. Çalışan Rsk 12.Donanım Rsk 13.Ürünün tanımının ve kapsamının değşme rsk 14.Yaz. Gelştrme araçlarının kullanım kolaylığı 15.Yaz. Gelştrme araçlarının kullanım tecrübes 16. Yaz. Gelştrme Araçlarının Kullanımı 17. Modern Programlama Teknkler 18.rtamın genel özellkler 19.Sahplenlme (Her br paydaş türünün projey sahplenmes) 20.Baskı 21.Zaman kullanım durumu 22.Vermllk durumu Planlar ve 23. Tahmn Tahmnler 24. Planlar. İşn Büyüklüğü 6 temel gruptan br olan şn büyüklüğünü bulablmek çn şlev puanı kullanmanın yanısıra ürünün karmaşıklığı, önem, beklenen özellkler almak büyüklük temel ölçevn daha doğru olmasını sağlayacaktır. Karmaşıklığın 3 alt ölçev olarak Vertabanı büyüklüğü, Ürün karmaşıklığı ve yenden kullanılablnrlk olarak belrledk. Bunların üçüde da DATA, CPLX ve RUSE olarak geçmektedr.
İşlev puanı br yazılım uygulamasının büyüklüğünün ölçevdr. Bu büyüklük şlevsellk ölçümüdür. Yazılım dlnden, methodolojden, proje takımının yeterllğnden bağımsızdır. İşlev puanın nerede zorlandığını blmek önemldr. İşlev puan br uygulama çn gereken çabayı ölçmek çn mükemmel değldr. Ancak şn büyüklüğünü belrleme anlamında önemldr. Çoğunlukla gerçek hayatta şn büyüklüğünü anlamak çn benzetm kullanılır. İşlev puanı kullanmanın k avantajı vardır. Bze ürünün büyüklüğünü ve ürünün görünen büyüklüğünü verr. Bunu grd olarak kulanmak faydalı olacaktır. Dolayısıyla oluşturduğumuz ölçev setne şlev puanını da br ölçev olarak ekledk. Br projeye ayrılan bütçe o projenn temel parçalarından brdr. Dolayısıyla projenn büyüklüğü ve önem le lgl genel br fakr verr. Bu açıdan ayrılan bütçe büyüklüğünü br ölçev olarak kullanmak faydalı olacaktır. Bununda beraber nha ürünün önemde drek gereken çabayı etkleyecektr. Bu bze toplam baskıyı vermenn yanısıra o proje atanacak çalışanların yetknlkler le lgl br blg vermş olacaktır. Hatta yönetmsel destek le lgl öneml br parametre olması dolaysıyla projenn planlanan zamanda btmesn etkleyecektr. Ürünün beklenen özellkler ölçevnn alt ölçevlern belrledk. Bunlar esneklk, güvenlrlk, kullanım kolaylığı, bakım yapılablrlk, güvenlk ve dökümantasyon dur..kaynak Kaynağın büyüklüğü ve ntelğ drek olarak sonucu etklemektedr. Bast olarak br şn malyetn bulmak stersek ürünün büyüklüğünü ve dolayısıyla gereken kaynağın büyüklüğünün ne olduğunu blmeye htyacımız vardır. Çalışan yetknlklern se gruplara göre alt ölçevlern oluşturduk. Bunlar proje yönetcsn yetknlğ, yazılım gelştrclern yetknlğ, system analstlern yetknlğ ve test edenlern yetknlklerdr. Çalışan kş sayılarını gruplara göre alt ölçevlerde kapsamak faydalı olacaktır. Yazılım gelştrc sayısı, analst sayısı, test yapanların sayısı ve genelde br olmasına rağmen olası durumlar çn proje yönetcs sayısı alt ölçevlerdr. Donanım durumu ölçevnn de alt ölçevler vardır. Bunlar zaman kısıtı, depolama kısıtı, platform değşkenlğdr. Bunların üçüde da mevcuttur ve adları TIME, STR ve PVL dur..rsk Rsk etks rskn oluşma olasılığı ve bunun malyetnn çarpımı olarak tanımlanablr. Dolayısıyla ürün ve kaynak rsklern ve etklerne htyacımız vardır. Dolayısıyla her brnn alt ölçevlern belrledk. Her brnn k alt ölçev vardır. Bunlar olma olasılığı ve olunca yaratacağı etkdr. v.teknoloj Yazılım gelştrme araçları ve tecrübe oldukça önemldr ve sonucu oldukça öneml br bçmde etkler. Yazılım gelştrme araçlarının kullanım kolaylığı yanında yer alan yazılım gelştrme araçlarındak tecrübennde alt ölçevn belrledk. Bunlar platform tecrübes, uygulama tecrübes, yazılım dl ve çoklu ortam gelştrme durumu tecrübesdr. Bunlar da PEXP, AEXP ve LTEX,SITE olarak geçmektedr. v. rtam Yazılım gelştrlen kurumun yapısı malyetler drek etklemektedr. Bu kurumdak ortalama geckme, ortalama sapma, baskı, sahplenme ve sorumluluk gb durumlar sonucu drek etklemektedr. rtamın genel özellkler ölçevnn alt ölçevlern gecken proje oranı, kurumdak ortalam geckme oranı, ortalama geckme mktarı, geckmenn standart sapma mktarıdır. Sahplenme çok öneml br ölçevdr. Bunun alt ölçevler proje yönetcsnn, yönetmn, müşternn, proje çalışanlarının sahplenme durumları alt ölçevlerdr. Baskı mktarı projenn geckp geckmeyeceğne ve malyete etkleyen öneml br ölçevdr. Bunun 3 alt ölçev vardır. Bunlar pazar baskısı, müşter baskısı, yönetm baskısıdır. Zaman yönetmn alt ölçevler br çalışanın ortalama gün çnde keslme (nterrupt) sayısı, br keslmenn ortalama süres, keslme sonrası öncek duruma geçme ortalama süres, bu kurumda ortalama yapılan fazla mesa süresdr. v. Planlar ve Tahmnler Uzman görüşü çoğu yerde en çok kullanılan yazılım malyet tahmn etme yöntemdr. Bu yöntem maalesef mevcut yöntemler arasında hala en başarılı olandır. Bu görüşüde br ölçev olarak almak faydalı olacaktır. Bu uzmanların tahmn sapma oranlarınıda br ölçev olarak aldığımız takdrde daha doğru sonuçlar alableceğz. Tahmn ölçevnn alt ölçevler tahmn zaman planı, Tahmn yapankş veya kşlern otalama sapma oranıdır. Plan ölçevnn alt ölçev planlanan zaman, yanılma oranı ve hedeflenen zamanda btmemes durumunda katlanılablnrlk şeklndedr. 3.1 Algortma 3. YAPAY SINIR AĞI MDELI Bu çalışmada bz çok katmanlı ler beslemel ve ger yayılımlı yapay snr ağı (MLP) ve Elman yapay snr ağı modellern kullandık. Brçok denemeden sonra lneer olmayan eğr uydurmada zaten başarısı sabtlenmş olan Levenberg-Marquardt [5] eğtm algortması olarak seçlp uygulanmıştır. Yapay snr ağı kullanarak yapılan yazılım malyet tahmnleme çalışmalarında genellkle çok katmanlı ler beslemel (MLP) ağlar kullanılmıştır. Ancak dnamk sstemler modellemede yenlenen yapay snr ağları (RNN) daha y sonuç vereblmektedr. RNN kısmen veya tamamen bağlı olablr. Elman ağı [8], blnen en y kısm-bağlı RNN lerden brdr. Bu çalışmada ger yayılımlı Elman ağ model eğm nş yöntem kullanarak eğtlmes de çalışılmıştır. Her k modelmzde hem 81 hem de YEEM kullanmıştır. Ölçev ver kümes se bu modele grd olarak verlmştr. 3.2 Ver İşleme a. Rasgelellk ve stsnaların kontrolü Henüz herhang br şlem yapılmaksızın vernn rasgelelğn ve stsnaların ncelenmes oldukça önemldr. Lteraturde rasgelelğ ve stsnaları bulmaya yarayan br çok test yöntem vardır. Bu testler temel olarak teork ve deneysel olarak 2
kategorye ayrılablnr.bu çalışmada eğtm ve test ver kümes rasgelelk kontrolü Run test [9] le yapılmıştır. Yaptığımız çalışmalarda 81 de 3 tane stsna ver olduğu gözlemlenmştr. 81 63 adet projeden oluşmaktadır. Bu 3 tane stsna versn çıkarılmasıyla gerye kalan 60 tane ver le çalışma yapılmıştır. YEEM çn se elmzde 109 adet ver mevcut d. Bunlardan 9 tanes stsna olduğu görüldü ve çıkarıldı. b. Vernn ön-şleme ve son-şlemes Bu çalışmada ver [0,1] aralığına çevrlerek kullanılmış ve bu aralığıa getrmek çn mnumum-maksmum normalzasyon [10] yöntem kullanılmıştır. c. Ver Kümesnn organzasyonu Bu çalışmada hem 81 hemde YEEM ver kümes kullanılmıştır. 81 le YEEM daha y ve gerçekç karşılaştırablmek çn aynı ver sayısı çnde karşılaştırmaya karar verdk.bu yüzden YEEM I 60 adet verlk ve 100 adet verlk olarak k küme olarak değerlendrmeye aldık. Dolayısıyla toplam 3 ver kümes kullandık. Her ver kümesn eğtm ve test çn k gruba ayırdık. Bu çalışmada kullanılan ver kümeler, ver sayısı, eğtm ve test çn ayrılan ver sayısı tablo 1 de gösterlmştr. Üçüncü ver kümesnn başarısı aslında bu çalışmada oryata konan model gerçek değern verecektr. Tablo 2. Ver Kümelernn rganzasyonu Ver Ver Kümes 1 Kümes 2 Ver Kümes 3 Ölçev Kümes YEEM YEEM Ver Sayısı (Proje Sayısı) 60 60 100 Eğtm kümes 45 45 75 Test kümes 15 15 25 4.UYGULAMA SNUÇLARI 4.1 Değerlendrme Krter Br model test etmek çn ve ne kadar y çalıştığı ölçmek çn hata fonksyonunu tanımlamak gerekyor. Lteratürde bu konuda az olan çalışmalarda genel kabul görmüş değerlendrme krter rtalama bağıl hatadır (MMRE). rtalama bağıl hata, bağıl hataların toplamının ver kümesnde bulunan toplam sayıya bölünmes le bulunablr (1). Aşağıda gösterlen hesaplamada N kullanılan ver kümesnn ver sayısıdır. 1 Gerçekle şen Hesaplanan MMRE = (1) N Gerçekle şen MMRE yeter kadar y olmasına rağmen nsan algısı çn yüzdesel göstermde faydalı olacaktır. Bu yüzden MMRE nın 100 katınıda tablolarda göstermekteyz. 4.2 Uygulama Sonuçları 3 ver kümes çn hem MLP hem de Elman ağları kullanmak suretyle bu çalışma çn 6 değerlendrme yapılmıştır. Çalışma sonuçları tablo 2 de gösterlmştr. Tablo 3. ve YEEM ver kümeler le MLP ve Elman çalışmaları sonuçları Yapay Snr Ağı Ver Ver Sayısı rt. % Model Kümes (Proje Sayısı) MMRE Hata MLP 60 1.805 180.50 MLP YEEM 60 0.280 28.00 MLP YEEM 100 0.207 20.70 ELMAN 60 1.312 131.20 ELMAN YEEM 60 0.240 24.00 ELMAN YEEM 100 0.191 19.10 4.3 Çapraz naylama (Cross Valdaton) Hata hesaplama teknkler genel performansı göstermede yardımcı olmaktadır.[2] Bu çalışmada v-kat çapraz onaylama (v-fold cross valdaton) kullanılmıştır. v-kat çapraz onaylama le elmzdek very daha y kullanmam sağlamaktadır. Örneğn 15-kat çapraz onaylamada, vernn 1/15 n ayırıp daha sonra model aynı prosedüre göre yenden nşaası yapılmaktadır ve bu şlem 15 kez yapılmaktadır. Bu çalışmada 5,10 ve 15-kat çapraz onaylama yapılmıştır. Yapay snr ağı çalışmalarını yaparken ver madenclğ konusunda çokça kullanılan WEKA adında araç kullanılmıştır. Üçüncü tabloda 5,10 ve 15-kat çapraz onaylama çalışmasının sonuçlarını göreblrsnz. Tablo 4. MLP kullanılarak Yapılan Çapraz nayla Sonuçları Ver Kümes Ver Ver 1 Kümes 2 Kümes 3 Ver Kümes YEEM YEEM Ver Sayısı (Proje Sayısı) 60 60 100 rt.% Hata (5-fold cv) 189.8 21.66 12.89 rt.% Hata (10-fold cv) 189.0 22.26 12.01 rt.% Hata (15-fold cv) 166.4 18.97 9.57 5.İLGILI ÇALIŞMALAR VE KARŞILAŞTIRMA Yapay snr ağı kullarak yazılım malyet tahmnleme konusunda az sayıda çalışma yapılmıştır. Bu bölümde en başarılı olanları el almaya çalışacağız. Wttg and Fnne [11] bu konuda br çalışma yapmışlardır. Bu çalışmada çok katmanlı perseptron ve ver olarak Desharnas ve Avusturya ölçev brlğ verlern (ASMA) kullanmışlardır. İk ver kümesndde 3 defa test etmşler ve 10 tane projey rasgelelk uygunsuzluğu nedenyle çıkarmışlardır. MMRE değer olarak Desharnas çn %29 ve ASMA çn %17 ye ulaşmışlardır. Dğer öneml çalışmaları özetleyecek olursak Tablo5. Yapılmış çalışmalar Çalışma Adı Venkatacha lam [13] Wttg & Fnne Kullanılan Algortma Ver Kümes Desharna s/asma Proje Sayısı 63 Sonuç (MMR E) 81/136 %17
Jorgenson [14] Serluca [15] Karunanth [17] Samson [12] Srnvasan Hughes[16] Jorgenson 109 %100 Cascade- Correlaton Mermad- 2 28 %76 63 %428 Kemerer ve 78 %70 Hughes 33 %55 Bu çalışma da kullandığımız Elman oldukça başarılı olmuştur. Gözlemlyebldğmz kadarıyla en Wttg&Fnne kadar hatta 15-kat çapraz-onaylama le oldukça y br sonuca ulaşmıştır. 6.SNUÇLAR Bu çalışmada temel amaç yazılım malyet tahmnlemede kullanılablnecek br ölçev kümes ve br yapay snr ağı model gelştrmekt. Yazılım malyet tahmnleme çalışmalarında ölçev kümesnn önemnn hmal edlerek genellkle mevcut kümelern kullanıldığını ve bu kullanımın sonuca cdd bçmde etkledğ görülmüştür. Yen br çalışma le yen br ölçev kümes oluşturulmuştur. Bu ölçev kümes oluşturduktan sonra yapay snr ağı çalışmalarına geçlmştr. Yazılım malyet tahmnleme çn yapay snr ağları kullanımı konusunda lteratürde bazı çalışmalar vardır. Bu çalışmalarda genellkle 81 ver kümesnn kullanıldığını görmekteyz. Yapılan çalışmaların sonuçları günümüz çn hala kabul edleblnr, kullanılablnr sevyelere henüz gelmemştr. Bu çalışmada karşılaştırma yapablmek çn hem 81 hem de yen oluşturduğumuz YEEM ölçev kümelern ayrı ayrı kullandık. 81 le yaptığımız çalışmalarda yapay snr ağı kullanarak yazılım malyet tahmnlemes çn bu ölçev kümesnn yetersz kaldığını gözlemledk. 81 le br kaç değşk yapay snr ağı model denememze rağmen sonuç olarak kullanılablr sevyeye gelmed. luşturduğumuz yen ölçev kümes olan YEEM I kullandığımızda kullanılablnr sevyede y sonuçlar alınmaktadır. Yen ölçev kümes ve vers MLP ve Elman yapay snr ağları kullanılarak test edlmştr. Elman ağındak başarı MLP ye nazaran daha y sevyelerdedr. Ancak MLP de çapraz-onaylama (cross-valdaton) yaptığımızda hata oranını %15 n altına ndğn görmekteyz. Değşz boyutta ölçev kümes le çalışıldığından ver sayısının modeln başarısı çn öneml br etken olduğuda görülmektedr. KAYNAKLAR [1] Brand L., Morasca S. and Basl V. (2002). An peratonal process for goal-drven defnton of measures. IEEE Transactons on Software Engneerng, 30(2), 120-140. [2] Fenton N. and Pfleeger S. (1997). Software Metrcs: A Rgorous Approach. 2nd. edton. London. Chapman & Hall. [3] Weyuker E.J. (1988). Evaluatng Software Complexty Measures. IEEE Transactons on Software Engneerng. 14(9). 1357-1365. [4] Whtmre S. (1997). bject rented Desgn Measurement. John Wley & Sons. Inc. [5] Reed, R. D. and Marks, R. J.: Neural Smthng: Supervsed Learnng n Feedforward Artfcal Neural Networks. MIT Press. (1999) [6] Poels G. and Dedene G. (2000). Dstance-based software measurement: necessary and suffcent propertes for software measures. Informaton and Software Technology. 42(1). 35-46. [7] Krantz D., Luce R.D., Suppes P. and Tversky A. (1971). Foundatons of Measurement. Vol. 1. Academc Press. New York. [8] Leung, H., Fan, Z.: In Handbook of Software Engneerng and Knowledge Engneerng (Ed,Chang, S. K.). Volume 2 World Scentfc. (2002) [9] Knuth E. D.: The art of computer programmng. 2nd ed. Addson-Wesley. (1981) [10] Pyle, D.: Data Preparaton for Data Mnng. Morgan Kaufmann. (1999) [11] Wttg, G., Fnne, G.: Estmatng Software Development Effort wth Connectonst Models. Informaton and Software Technology. Volume 39 (1997) 469-476 [12] Samson,B.,Ellson,D., Dugard P.: Software Cost Estmaton usng an Albus Perceptron(CMAC). In Proc Eght Internatonal Est. Meetng. Pttsburgh. (1993) [13] Venkatachalam, A.R.: Software Cost Estmaton Usng Artfcal Neural Networks. Internatonal Jont Conference on Neural Networks. Nagoya. (1993) [14] Jørgensen M. and Shepperd M.: A Systematc Revew of Software Development Cost Estmaton Studes. IEEE Transactons on Software Engneerng. (2006) [15] Serluca, C.: An Investgaton Into Software Effort Estmaton usng a Propogaton Neural Network. M.Sc. Thess. Bournemouth Unversty. (1995) [16] Hughes, R.T.: An Evaluaton of Machne Learnng Technques for Software Effort Estmaton. Unversty of Brghton. (1996) [17] Karunanth, N.,Whtley, D.,Malaya, Y.K.: Usng Neural Networks n Relablty Predcton. IEEE Software. Volume 9(4) (1992) 53-59