Benchmarking Machine Learning Models for Software Project Schedule Overrun Prediction

السؤال. إذا كان التعلّم الآلي قادراً على التنبؤ بتأخر الجداول، فأي خوارزمية تحقق أفضل توازن بين الدقة وقابلية التفسير؟

المنهجية. قارنّا ست خوارزميات انحدار على 4,517 سجلاً لمشاريع برمجية: الانحدار الخطي، وشجرة الانحدار، والغابة العشوائية، وانحدار المتجهات الداعمة، و Gradient Boosting، وشبكة عصبية عميقة. واستخدمت كلها المتغيرات نفسها والإعدادات الافتراضية والتحقق المتقاطع بعشر طيّات.

النتائج. حقق Gradient Boosting أقل نسب خطأ، وجاءت الشبكة العصبية العميقة قريبة جداً منه مع أعلى معامل ارتباط تربيعي. وحلّت الغابة العشوائية ثالثة، وكان انحدار المتجهات الداعمة الأضعف بالإعدادات الافتراضية. وبقي عامل المخاطر والمدة ورضا العميل أكثر المتغيرات ثباتاً في التأثير. وبالموازنة بين الدقة وقابلية التفسير، يُعد Gradient Boosting الخيار العملي الأقوى لأنظمة الإنذار المبكر وقرارات المحافظ.