Обзор: оценка качества кода с помощью машинного обучения

02 сентября 2018

В работе¹ с помощью статического анализа кода и технологий машинного обучения проводилась оценка качества фрагментов программного кода (методов классов). Код оценивается как "хорошо написанный" и "плохо написанный".

В работе применены модели машинного обучения: наивный байесовский классификатор, метод k Ближайших Соседей и классификатор дерева решений. Использовалась база работ студентов с комментариями учителя.

Вычислялись следующие метрики:

• Цикломатическая сложность Томаса Маккейба
• Метрики Хальстеда: число операторов и операндов, число операторов, число операндов, число уникальных операторов и операндов, объем, длина программы, сложность, усилие, оценка число ошибок ...

В Qualiter 3 применяется другой набор метрик и другая модель, точность распознавания получается порядка 90%. Однако валидация систем проводилась по разным базам, т.е. сравнение эффективности требует дополнительных исследований.

Литература

1. https://ojs.bibsys.no/index.php/NIK/article/view/26