The families of aggregation functio

The families of aggregation functions defined in Section 22.3.2 are convenient to
use when trying to understand and interpret the results. The weights and parameters
have a tangible meaning and fitting these functions essentially involves finding the
best values for each parameter to maximize the reliability of the RS.
In other situations however, the interpretation side of things may not be as important: we just want to predict the unknown ratings reliably and automatically. There
are many non-parametric methods for building aggregation functions, which do not
have the advantage of system interpretation, however can be constructed automatically and fit the data closely. One “black-box” type method is to build a general
aggregation operator piecewise from the data. We can ensure that monotonicity and
boundary conditions are specified by smoothing the data and ensuring these properties hold for each individual segment. We consider here, the construction of spline
based aggregation functions [10].

ผลลัพธ์ (ไทย) 1:

ครอบครัวของ defined ฟังก์ชันการรวมในส่วน 22.3.2 จะสะดวกใช้เมื่อพยายามที่จะเข้าใจ และแปลผล น้ำหนักและพารามิเตอร์มีความหมายเป็นรูปธรรม และ fitting เหล่านี้หน้าที่หลักเกี่ยวข้องกับ findingคุ้มค่าสำหรับแต่ละพารามิเตอร์เพื่อเพิ่มความน่าเชื่อถือของ RSในสถานการณ์อื่นๆ อย่างไรก็ตาม ด้านการตีความของสิ่งที่อาจไม่ได้สำคัญ: เราต้องการทายผลการจัดอันดับที่ไม่ทราบได้ และโดยอัตโนมัติได้ มีมีหลายวิธีไม่ใช่พาราเมตริกสำหรับอาคารรวมฟังก์ชัน ซึ่งไม่มีข้อดีของระบบล่าม อย่างไรก็ตาม สามารถสร้างโดยอัตโนมัติ และ fit ข้อมูลอย่างใกล้ชิด "กล่องดำ" ชนิดวิธีหนึ่งคือการ สร้างทั่วไปผู้ประกอบการรวม piecewise จากข้อมูล เรามั่นใจว่า monotonicity และเงื่อนไขขอบเขตเป็น specified โดยข้อมูลต่อเนื่อง และมั่นใจถือคุณสมบัติเหล่านี้สำหรับแต่ละกลุ่มแต่ละ เราพิจารณาการก่อสร้างเหมือนที่นี่การรวมฟังก์ชัน [10]

ผลลัพธ์ (ไทย) 2:

ครอบครัวของฟังก์ชั่นการรวมนิยามในมาตรา 22.3.2 มีความสะดวกที่จะ
ใช้เมื่อพยายามที่จะเข้าใจและแปลผล น้ำหนักและพารามิเตอร์ที่
มีความหมายที่มีตัวตนและไฟระบบฟังก์ชั่นเหล่านี้เป็นหลักที่เกี่ยวข้องกับสาย nding
ค่าที่ดีที่สุดสำหรับแต่ละพารามิเตอร์เพื่อเพิ่มความน่าเชื่อถือของอาร์เอส.
ในสถานการณ์อื่น ๆ แต่ด้านการแปลความหมายของสิ่งที่อาจจะไม่เป็นที่สำคัญเราเพียงแค่ต้องการที่จะคาดการณ์ การจัดอันดับที่ไม่รู้จักและเชื่อถือได้โดยอัตโนมัติ มี
วิธีการที่ไม่ใช่ตัวแปรหลายฟังก์ชั่นสำหรับการสร้างการรวมตัวที่ไม่เป็น
ความได้เปรียบของการตีความระบบ แต่สามารถถูกสร้างขึ้นโดยอัตโนมัติและไฟทีข้อมูลอย่างใกล้ชิด หนึ่งใน "กล่องดำ" วิธีการประเภทคือการสร้างทั่วไป
ผู้ประกอบการรวมค่จากข้อมูลที่ เราสามารถมั่นใจได้ว่า monotonicity และ
เงื่อนไขขอบเขตเป็นเอ็ดสาย speci โดยการปรับให้เรียบข้อมูลและสร้างความมั่นใจคุณสมบัติเหล่านี้ถือสำหรับแต่ละส่วนของแต่ละบุคคล เราพิจารณาที่นี่การก่อสร้างของเส้นโค้ง
ตามฟังก์ชั่นการรวมตัว [10]

ผลลัพธ์ (ไทย) 3:

ครอบครัวของการรวมฟังก์ชัน de จึงเน็ดในส่วน 22.3.2 สะดวก

ใช้เมื่อพยายามที่จะเข้าใจและแปลผล น้ำหนักและพารามิเตอร์
มีตัวตนและความหมายจึงตัดฟังก์ชันเหล่านี้เป็นหลักเกี่ยวข้องกับการถ่ายทอดการส่งค่าพารามิเตอร์สำหรับแต่ละ
ที่ดีที่สุดเพื่อเพิ่มความน่าเชื่อถือของ RS
ในสถานการณ์อื่น ๆอย่างไรก็ตามการตีความด้านสิ่งไม่อาจเป็นสำคัญ : เราแค่อยากทำนายคะแนนจักเชื่อถือและโดยอัตโนมัติ มีหลายวิธีที่ไม่ใช้พารามิเตอร์
มีฟังก์ชันการรวมอาคารซึ่งไม่ได้
มีความได้เปรียบของการตีความของระบบ แต่สามารถสร้างขึ้นโดยอัตโนมัติและจึงไม่ได้ข้อมูลอย่างใกล้ชิด " กล่อง " สีดำ วิธีคือการสร้างทั่วไป
รวมผู้ประกอบการเป็นช่วงจากข้อมูล เราสามารถมั่นใจได้ว่า monotonicity
เงื่อนไขขอบเขตและมีกาจึงเอ็ด โดยให้ข้อมูลว่า คุณสมบัติเหล่านี้ไว้ในแต่ละส่วนของแต่ละบุคคล เราพิจารณานี้การสร้างฟังก์ชันการรวมเส้นโค้ง

[ 10 ] ตาม