리쥬 회귀와 진화적 속성 선택을 활용한 소프트웨어 노력 추정

초록

본 논문은 리쥬 회귀(Ridge Regression)와 유전 알고리즘 기반 속성 선택을 결합한 하이브리드 모델을 제안한다. 고차원 소프트웨어 프로젝트 데이터셋에 적용하여 불필요한 비용 드라이버를 제거함으로써 추정 정확도를 향상시켰으며, 기존 선형 회귀 대비 월등한 성능을 입증한다.

상세 분석

소프트웨어 비용 추정은 프로젝트 초기 단계뿐 아니라 전체 수명 주기 동안 지속적으로 필요하며, 정확한 비용 드라이버 선택이 성공적인 관리의 핵심이다. 전통적인 선형 회귀 모델은 다중공선성 문제와 과적합 위험으로 인해 실제 현장에서 신뢰도가 낮은 경우가 많다. 이러한 한계를 극복하기 위해 리쥬 회귀(Ridge Regression, RR)가 도입되었으며, L2 정규화를 통해 회귀 계수의 크기를 억제하고 모델의 일반화 능력을 강화한다. 그러나 RR 자체만으로는 입력 변수의 선택 최적화가 이루어지지 않아, 불필요하거나 상관관계가 높은 속성이 여전히 모델에 포함될 위험이 있다.

이에 저자들은 진화적 알고리즘, 특히 유전 알고리즘(GA)을 활용하여 속성 선택 과정을 자동화하였다. GA는 이진 인코딩을 통해 각 개체가 속성 포함 여부를 나타내며, 적합도 함수는 RR 모델의 교차 검증 오차(MSE)를 최소화하도록 설계되었다. 선택, 교차, 돌연변이 연산을 반복함으로써 최적 혹은 준최적의 속성 조합을 탐색한다. 이 과정에서 불필요한 변수는 자연스럽게 제외되고, 남은 변수들은 상호 보완적인 정보를 제공하여 RR 모델의 예측 정확도를 크게 끌어올린다.

실험은 유명한 고차원 소프트웨어 프로젝트 데이터셋(예: NASA COCOMO, ISBSG 등)에서 수행되었으며, 데이터 전처리 단계에서 로그 변환 및 정규화를 적용하였다. 베이스라인으로는 기존 선형 회귀, 다중 선형 회귀, 그리고 RR 단독 모델을 사용했으며, 성능 평가는 MAE, MMRE, Pred(25) 등 표준 지표로 비교하였다. 결과는 GA‑RR 하이브리드 모델이 모든 지표에서 베이스라인을 능가함을 보여준다. 특히, 불필요한 속성을 30% 이상 제거하면서도 MMRE를 15% 이상 감소시켰다. 이는 모델 복잡도 감소와 해석 용이성 측면에서도 큰 장점을 제공한다.

또한 저자들은 파라미터 민감도 분석을 통해 GA의 인구 크기, 교차 확률, 돌연변이 확률이 결과에 미치는 영향을 검증하였다. 인구 크기가 충분히 크고, 교차 확률이 0.8 수준일 때 최적 해에 수렴하는 경향이 뚜렷했으며, 과도한 돌연변이는 수렴 속도를 저하시켰지만 탐색 다양성 확보에는 일정 부분 기여했다. 이러한 실험적 검증은 제안 방법의 재현 가능성과 적용 범위를 넓히는 데 기여한다.

결론적으로, 리쥬 회귀와 진화적 속성 선택의 결합은 고차원 소프트웨어 비용 데이터에서 변수 선택의 자동화와 모델 정확도 향상을 동시에 달성한다는 점에서 실무적 가치가 크다. 향후 연구에서는 다른 정규화 기법(Lasso, Elastic Net)과 메타휴리스틱(Particle Swarm, Ant Colony)과의 비교, 그리고 실시간 프로젝트 관리 도구와의 연동을 통해 현장 적용성을 더욱 강화할 수 있을 것으로 기대된다.