Definição de critérios de teste baseados em árvores de decisão para algoritmos de aprendizagem de máquina

• Ano de defesa: 2024
• Autor(a) principal: Santos, Sebastião Henrique Nascimento
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizagem de máquina; Árvore de decisão; Critério de teste; Decision tree; Machine learning; Software testing; Test criteria; Teste de software
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-06012025-164548/

A aprendizagem de máquina é uma área da inteligência artificial que emprega o princípio de indução para obter conclusões genéricas a partir de um conjunto particular de exemplos previamente conhecidos. Amplamente utilizada nas últimas décadas, soluções com aprendizagem de máquina já existem nos domínios de detecção de objetos, condução de veículos autônomos e diagnóstico de câncer. Porém, ainda existem diversas incertezas na sua utilização que impõem barreiras na sua adoção, como problemas nos conjuntos de dados, bias, robustez e segurança. O teste de software é uma atividade dinâmica com o intuito de executar um programa e verificar se seu comportamento está de acordo com o esperado. Características específicas das soluções com aprendizagem de máquina, como o processo de indução de hipótese e o não determinismo, impossibilitam a aplicação das técnicas de teste de software tradicionais. Para enfrentar essas limitações, nesta pesquisa foram desenvolvidos novos critérios de teste de software com Aprendizagem de Máquina baseado no modelo de árvore de decisão. São propostos os critérios de Cobertura de Árvore de Decisão (CAD) e Análise de Valor Limite (AVL) como abordagens para guiar a criação de dados de teste eficazes para software com AM que se baseiam na estrutura interna do modelo de árvore de decisão. Foram conduzidos dois estudos experimentais utilizando conjuntos de dados públicos e bem conhecidos para avaliar os critérios. Os resultados do experimento mostraram que os dois critérios podem ser utilizados para gerar dados de teste eficazes.