UCP 기반 소프트웨어 노력 추정에 SVR 커널을 적용한 효율적 예측 모델

초록

본 논문은 전통적인 Use Case Point(UCP) 방법으로 산출한 프로젝트 규모를 입력으로, 다양한 Support Vector Regression(SVR) 커널(선형, 다항식, RBF, 시그모이드)을 활용해 소프트웨어 개발 노력을 정밀하게 추정하는 모델을 제안한다. 데이터 전처리·정규화·5‑fold 교차검증을 통해 최적의 C와 γ 파라미터를 탐색하고, 검증 오차가 최소인 커널을 선택한다. 실험 결과는 기존 UCP와 다른 머신러닝 기법 대비 MMRE·Pred(25) 등 주요 지표에서 향상된 정확도를 보이며, 특히 RBF 커널이 가장 우수한 성능을 나타낸다.

상세 분석

본 연구는 소프트웨어 비용·노력 추정 분야에서 오래된 UCP 모델의 선형 가정 한계를 보완하고자 SVR이라는 비선형 회귀 기법을 도입한 점이 가장 큰 특징이다. UCP는 배우, 액터, 트랜잭션 수 등을 가중치로 합산해 규모를 산출하지만, 실제 프로젝트에서는 복잡도·기술·환경 요인에 따라 노력과 규모 사이의 관계가 비선형적으로 변한다는 점을 간과한다. 논문은 이를 해결하기 위해 먼저 전통적인 UCP 계산 절차(액터·유스케이스 분류, 가중치 적용, TCF·EF 보정)를 상세히 제시하고, 산출된 UCP 값을 0‑1 구간으로 정규화한다. 정규화는 SVR 학습 시 수치적 안정성을 확보하고, 서로 다른 규모의 프로젝트를 동일한 입력 범위에 매핑함으로써 커널 함수가 효과적으로 작동하도록 돕는다.

SVR 모델 구성에서는 네 가지 커널을 실험적으로 비교한다. 선형 커널은 입력 공간 자체에서 선형 초평면을 찾으며, 데이터가 고차원에서 선형적으로 구분될 때만 유리하다. 다항식 커널은 차수(d)와 상수(r)를 조정해 입력 특성 간의 다항식 상호작용을 포착한다. RBF(가우시안) 커널은 거리 기반으로 무한 차원의 특성 공간에 매핑해 복잡한 비선형 패턴을 모델링하는 데 가장 널리 쓰이며, γ 파라미터가 커널 폭을 결정한다. 시그모이드 커널은 신경망의 활성화 함수와 유사한 형태로, 특정 데이터 분포에서 유용하지만 과적합 위험이 크다.

파라미터 튜닝 과정은 5‑fold 교차검증을 통해 C(정규화 상수)와 γ(커널 폭)를 격자 탐색(grid search)하거나, ε‑SVR의 ε(허용 오차)까지 동시에 최적화한다. 논문은 C를 “실제 노력 값의 최대·최소 차이”로 정의하고, 기본값 1을 사용하되 실험에 따라 조정한다는 점에서 파라미터 설정의 실용성을 강조한다. 또한, 학습·검증·테스트 데이터를 각각 70‑15‑15 비율로 분할하고, 검증 단계에서 최소 평균 제곱 오차(MSE) 혹은 평균 절대 오차(MAE)를 기준으로 최적 모델을 선정한다.

실험 데이터는 기존 연구