Analysis of Code Smells Detection Using Machine Learning and Deep Learning Approaches

Resumen Autores/as Métricas disponibles Referencias Cómo citar

Resumen (en)

Detecting Code Smells (CS) is important for preventing future problems in software development. It also helps improve software quality and save time on maintenance. This study contributes with a systematic experiment that integrates Data Leakage control, rigorous preprocessing, and the comparison of Machine Learning (ML) and Deep Learning (DL) models, contributing with a replicable methodology for CS detection. To this end, an experiment was designed that focused on CS analysis using artificial intelligence approaches. ML and DL models were applied to the dataset based on method-level software metrics. The methodological process included comprehensive processing, which addressed variable cleaning and normalization, transformations, and feature reduction. In addition, the problem of data leakage was controlled to ensure the validity of the results. Multiple ML models (Random Forest, Support Vector Machine, Decision Tree, K-Nearest Neighbors, Naive Bayes, and Logistic Regression) and a DL model based on a MLP were trained and evaluated. The results showed remarkable performance in most models, achieving accuracy between 94\% and 98\% after cross-validation with 10 folds. However, the MLP stood out with an accuracy close to 99\%, positioning it as the best-performing classifier for CS detection.

Resumen (es)

La detección de olores de código (OC) es importante para prevenir futuros problemas en el desarrollo de software. También ayuda a mejorar la calidad del software y a ahorrar tiempo en mantenimiento. Este estudio contribuye con un experimento sistemático que integra el control de fugas de datos, un preprocesamiento riguroso y la comparación de modelos de aprendizaje automático (AA) y aprendizaje profundo (AA), lo que proporciona una metodología replicable para la detección de OC. Para ello, se diseñó un experimento centrado en el análisis de OC mediante enfoques de inteligencia artificial. Se aplicaron modelos de AA y AA al conjunto de datos basándose en métricas de software a nivel de método. El proceso metodológico incluyó un procesamiento integral que abordó la limpieza y normalización de variables, las transformaciones y la reducción de características. Además, se controló el problema de la fuga de datos para garantizar la validez de los resultados. Se entrenaron y evaluaron múltiples modelos de AA (bosque aleatorio, máquina de vectores de soporte, árbol de decisión, k-vecinos más cercanos, bayesiano ingenuo y regresión logística) y un modelo de AA basado en un MLP. Los resultados mostraron un rendimiento notable en la mayoría de los modelos, alcanzando una precisión de entre el 94 % y el 98 % tras la validación cruzada de 10 pliegues. Sin embargo, el MLP destacó con una precisión cercana al 99 %, lo que lo posiciona como el clasificador con mejor rendimiento para la detección de CS.