AVALIAÇÃO COMPARATIVA ENTRE OS MODELOS RANDOM FOREST E MLP NA DETECÇÃO DE BUGS

Resumo

A detecção automática de defeitos em código-fonte é um desafio central na Garantia de Qualidade de Software, sendo essencial para reduzir custos, aumentar a confiabilidade dos sistemas e agilizar o desenvolvimento. Este trabalho realiza uma avaliação comparativa entre os algoritmos Random Forest e Multilayer Perceptron na detecção de bugs em código-fonte. Foram utilizados datasets rotulados, submetidos a etapas de pré-processamento, extração de características e treinamento dos modelos. A avaliação considerou as métricas acurácia, precisão, recall e F1-score. Os resultados indicaram que o Random Forest apresentou melhor desempenho em dados estruturados, enquanto o Multilayer Perceptron obteve desempenho superior em dados textuais vetorizados. Conclui-se que não há um modelo universalmente superior, sendo a escolha dependente das características dos dados. O estudo contribui ao fornecer evidências experimentais que auxiliam na seleção de técnicas mais adequadas para a predição de defeitos em software.

Palavras-chave: Detecção de Bugs. Qualidade de Software. Aprendizado Supervisionado. Machine Learning.