چکیده: امروزه توسعه نرم‌افزار قابل اطمینان و باکیفیت بالا یکی از اصلی‌ترین چالش‌های مورد بحث در مهندسی نرم ‌افزار است. به همین خاطر ما با بحث تضمین کیفیت مواجه می‌شویم که فرآیندی زمانبر است و به منابع زیادی نیاز دارد. پیشبینی اشکال نرم‌افزار می‌تواند با تخصیص منابع محدودتر روشی مقرون به صرفه و بهینهتری باشد و با پیشبینی مستعد بودن اشکال ماژول‌های نرم‌‌افزار قبل از آزمایش استفاده شود. یکی از چالش‌های موجود در زمینه پیشبینی اشکال نرم‌افزاری این است که مدل‌های پیشبینی قبلی، مدل‌های قدیمی‌ای بودند یا مجموعه داده‌هایی را به کار می‌گرفتند که روی پروژه‌های کوچک، محدود و قدیمی بودند؛ به دلیل تغییر روند توسعه نرم‌افزارها، این مدل‌ها کارایی چندانی را برای نرم‌افزارهای امروزی ارائه نمی‌دهند. در این تحقیق برای کمک به فرآیند پیشبینی اشکال در مقابل روش‌های قدیمی، مجموعه‌داده جدیدی به نام باگ‌هانتر مورد استفاده قرارگرفته است. این مجموعه‌داده ارزشمند و نسبتاً بزرگ، متشکل از 15 برنامه منبع باز و مرسوم جاوا است که امروزه به‌طور گسترده‌ای توسط مهندسین نرم‌افزار مورد استفاده قرار می‌گیرند. تکنیکها و الگوریتم‌های یادگیری ‌ماشین مختلفی تا به امروز در زمینه پیشبینی اشکال نرم‌افزار به کار رفته‌اند. چالشی که در این تکنیک‌ها وجود دارد این است که دقت مدل‌های پیش‌بینی موجود، برای این مجموعه داده پایین است. این پژوهش با هدف افزایش عملکرد مدل پیش‌بینی اشکال، با ترکیب تکنیک‌های خوشه‌بندی و طبقه‌بندی دقت مدل پیش‌بینی را افزایش می‌دهد. از مزایای مدل ارائه شده می‌توان به دقت بالای مدل ارائه شده و همچنین پردازش کمتر نسبت به سایر مدل‌های پیش‌بینی اشاره کرد. معیار f-measure بدست آمده از پیاده سازی مدل ارائه شده روی مجموعه داده باگ‌هانتر 88% شد. نتایج نسبت به بهترین روشی که تا به حال مشاهده شده بطور متوسط 7% بهتر شده است.