
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.creator | Aniche, Mauricio | - |
| Autor(es): dc.creator | Maziero, Erick | - |
| Autor(es): dc.creator | Durelli, Rafael | - |
| Autor(es): dc.creator | Durelli, Vinicius | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:29:23Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:29:23Z | - |
| Data de envio: dc.date.issued | 2021-07-16 | - |
| Data de envio: dc.date.issued | 2021-07-16 | - |
| Data de envio: dc.date.issued | 2019 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/46769 | - |
| Fonte completa do material: dc.identifier | https://doi.ieeecomputersociety.org/10.1109/TSE.2020.3021736 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1162325 | - |
| Descrição: dc.description | Refactoring is the process of changing the internal structure of software to improve its quality without modifying its external behavior. Empirical studies have repeatedly shown that refactoring has a positive impact on the understandability and maintainability of software systems. However, before carrying out refactoring activities, developers need to identify refactoring opportunities. Currently, refactoring opportunity identification heavily relies on developers' expertise and intuition. In this paper, we investigate the effectiveness of machine learning algorithms in predicting software refactorings. More specifically, we train six different machine learning algorithms (i.e., Logistic Regression, Naive Bayes, Support Vector Machine, Decision Trees, Random Forest, and Neural Network) with a dataset comprising over two million refactorings from 11,149 real-world projects from the Apache, F-Droid, and GitHub ecosystems. The resulting models predict 20 different refactorings at class, method, and variable-levels with an accuracy often higher than 90%. Our results show that (i) Random Forests are the best models for predicting software refactoring, (ii) process and ownership metrics seem to play a crucial role in the creation of better models, and (iii) models generalize well in different contexts. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Institute of Electrical and Electronic Engineers - IEEE | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | IEEE Transactions on Software Engineering | - |
| Palavras-chave: dc.subject | Biological system modeling | - |
| Palavras-chave: dc.subject | Predictive models | - |
| Palavras-chave: dc.subject | Context modeling | - |
| Palavras-chave: dc.subject | Prediction agorithms | - |
| Palavras-chave: dc.subject | Algoritmos de aprendizado de máquina | - |
| Palavras-chave: dc.subject | Modelagem de sistemas biológicos | - |
| Palavras-chave: dc.subject | Modelos preditivos | - |
| Palavras-chave: dc.subject | Modelagem de contexto | - |
| Palavras-chave: dc.subject | Refatoração de software | - |
| Título: dc.title | The Effectiveness of Supervised Machine Learning Algorithms in Predicting Software Refactoring | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: