In software industry, most of the budget is used for project implementation. Therefore, each software company has to manage its workforce effectively. Estimating the software effort accurately is essential for workforce management.Researchers became aware of the importance of software effort estimation in 1960?s and so far they have proposed several models, some of which are learning oriented. Companies usually have a small number of completed projects and consequently limited amount of data for estimating the effort of new projects. It is hard to make accurate estimations with scarce data. As the problem and estimation methods become more complex, it becomes harder to learn effort function with small datasets. Therefore, it is important to improve the performance of the predictor for effort estimation. Many researchers have used neural networks as a single element to be a robust algorithm in software effort estimation research. In this research, we focused on improving the prediction performance of the algorithm and therefore, we used ensemble of neural networks rather than a single neural network. Furthermore, we combined associative memory with the ensemble to provide the final model. We also analyzed the effect of feature subset selection on effort estimation performance. For this purpose, the features that contain most of the important information are discovered. Thereafter, only these features are used for effort estimation on the proposed model.The proposed model provides accurate estimations. Therefore, software companies may use this model to estimate software effort and effectively manage their workforce. On the other hand, the results of our experiments showed that using fewer features may provide an improvement on the prediction performance.

Yazılım endüstrisinde bütçenin büyük bir bölümü proje uygulaması için kullanılmaktadır. Bu nedenle, her yazılım şirketi işgücünü etkin bir şekilde yönetmek zorundadır. Yazılım eforunu doğru şekilde tahmin etmek işgücü yönetimi için temel zorunluluktur.Araştırmacılar yazılım efor tahmininin öneminin farkına 1960'larda varmışlar ve şimdiye kadar aralarında öğrenme tabanlı olanların da bulunduğu birçok model önermişlerdir. Şirketler genellikle az sayıda tamamlanmış projeye ve bundan dolayı yeni projelerin eforunu tahmin etmek için kısıtlı miktarda efor bilgisine sahiptirler. Az miktarda bilgi kullanarak doğru tahminler yapmak zordur. Problem ve tahmin metodları karmaşıklaştıkça küçük veri kümeleriyle efor fonksiyonunu öğrenmek zorlaşır. Bu nedenle, efor tahmini için kullanılan tahmin edicinin performansını arttırmak önemlidir. Birçok araştırmacı güvenilir bir algoritma olarak sinir ağlarını yazılım efor tahmini araştırmalarında tek bir eleman olarak kullanmışlardır. Bu araştırmada, algoritmanın tahmin performansını geliştimeye odaklandık ve bu nedenle tek bir sinir ağı yerine sinir ağı topluluğu kullandık. Bunun yanında çağrışımlı belleği sinir ağı topluluğu ile bir araya getirerek son modeli oluşturduk. Ayrıca, özelliklerin bir kısmını seçmenin efor tahmin performansına etkisini analiz ettik. Bu amaçla, önemli bilginin büyük kısmını taşıyan özellikler bulunur. Ondan sonra ise önerilen modelde efor tahmini yapmak için sadece bu özellikler kullanılır.Önerilen model doğru tahminler sağlamaktadır. Bu nedenle yazılım firmaları bu modeli yazılım efor tahmininleri yapmak ve işgücünü etkili bir biçimde yönetmek için kullanabilir. Öte yandan, deneylerimizin sonuçları daha az özellik kullanmanın tahmin performansını arttırabileceğini gösterdi.