5.2 Experiment ExecutionOn the basi

5.2 Experiment Execution
On the basis of the above definitions, we can generate sets of prioritization problems with different degrees of difficulty.
After 10 runs on the same dataset we calculate the average of the disagreement measure with respect to the percentage of elicited pairs. We compute the disagreement until 50 percent of the total number of pairs has been elicited. After this percentage, the distance between the disagreement curves obtained with the different categories of knowledge (from isotone to nonprojective) becomes lower and so less relevant for the purpose of our comparative analysis.
The experiments with CBRank have been repeated for different classes of ranking attributes. The same set of experiments has been repeated, varying the cardinality of the requirements set from 10, 25, 35, 50, 75 to 100 requirements. In Table 3, the disagreement measures (reported in percentage with respect to the number of possible pairs) between the ranking used in the experiment and the target ranking K are given for the isotone and nonprojective cases.
The same simulated experiments have also been performed using the AHP method.
5.3 Results
In Fig. 8, we show the boxplots of the disagreement measured for two classes of domain knowledge (nonprojective, left side, and isotone, right side), through (7), for a set of 25 requirements. The boxplots are computed on 10 runs of the same problem instance. The variance of the disagreement measurements (the distance between the first and the third quartile) decreases when the percentage of the elicited pairs increases in both plots. Also, the median of the measurements decreases with the increase of the percentage of elicited pairs. Moreover, the decreasing trend in the median and the variance of the disagreement measurements are faster for the class of nonprojective

Fig. 8. Experimental results: Boxplots describing the prioritization disagreement variance in the case of nonprojective (left) and isotone knowledge
(right) for 25 requirements.
knowledge (the

Kết quả (Việt) 1:

5.2 thực hiện thử nghiệmTrên cơ sở định nghĩa ở trên, chúng tôi có thể tạo ra bộ ưu tiên vấn đề với các mức độ khác nhau của khó khăn.Sau khi 10 chạy trên cùng một bộ dữ liệu chúng tôi tính toán mức trung bình của các biện pháp bất đồng đối với tỷ lệ phần trăm của elicited cặp. Chúng tôi tính toán sự bất đồng cho đến 50 phần trăm của tổng số cặp elicited. Sau khi tỷ lệ này, khoảng cách giữa các đường cong bất đồng thu được với các loại khác nhau của kiến thức (từ isotone để nonprojective) trở nên thấp hơn và do đó ít có liên quan cho các mục đích của chúng tôi phân tích so sánh.Các thí nghiệm với CBRank có được lặp đi lặp lại cho các lớp khác nhau của thuộc tính bảng xếp hạng. Cùng một tập hợp các thí nghiệm đã được lặp lại, thay đổi cardinality các yêu cầu thiết lập từ 10, 25, 35, 50, 75 đến 100 yêu cầu. Trong bảng 3, các biện pháp bất đồng (báo cáo trong tỷ lệ phần trăm đối với số lượng các cặp có thể) giữa việc xếp hạng được sử dụng trong thử nghiệm và mục tiêu xếp hạng K được cho isotone và nonprojective trường hợp.Các thí nghiệm mô phỏng tương tự cũng đã được thực hiện bằng cách sử dụng phương pháp AHP.5.3 kết quảTrong hình 8, chúng tôi hiển thị các boxplots sự bất đồng đo cho các lớp học hai miền kiến thức (bên cạnh nonprojective, trái, và isotone, bên phải), đến (7), cho một tập hợp của 25 yêu cầu. Các boxplots được tính trên 10 tập thể hiện vấn đề tương tự. Phương sai của các số đo bất đồng (khoảng cách giữa đầu tiên và thứ ba quartile) giảm khi tỷ lệ các cặp elicited tăng trong cả hai lô. Ngoài ra, Trung bình của các số đo giảm tăng tỷ lệ phần trăm của elicited cặp. Hơn nữa, xu hướng giảm trong trung bình và phương sai của các số đo bất đồng nhanh hơn đối với các lớp học của nonprojective Hình 8. Kết quả thử nghiệm: Boxplots mô tả phương sai bất đồng ưu tiên trong trường hợp của nonprojective (trái) và kiến thức isotone(bên phải) cho 25 yêu cầu.kiến thức (các

Kết quả (Việt) 2:

5.2 Thí nghiệm Thực hiện
Trên cơ sở các định nghĩa trên, chúng ta có thể tạo ra nhóm vấn đề ưu tiên với độ khó khác nhau.
Sau 10 chạy trên các số liệu tương tự, chúng tôi tính trung bình của các biện pháp bất đồng liên quan đến tỷ lệ phần trăm của các cặp gợi ra với. Chúng ta ước tính bất đồng cho đến 50 phần trăm của tổng số các cặp đã được tạo ra nữa. Sau khi tỷ lệ này, khoảng cách giữa các đường cong bất đồng thu được với các loại kiến thức khác nhau (từ isotone để nonprojective) trở nên thấp hơn và do đó ít có liên quan với mục đích phân tích so sánh của chúng tôi.
Các thí nghiệm với CBRank đã được lặp đi lặp lại cho các lớp khác nhau của các thuộc tính thứ hạng . Cùng một tập các thí nghiệm đã được lặp đi lặp lại, khác nhau cardinality của các yêu cầu đặt ra từ 10, 25, 35, 50, 75 đến 100 yêu cầu. Trong bảng 3, các biện pháp bất đồng (báo cáo tỷ lệ phần trăm đối với số lượng các cặp có thể với) giữa bảng xếp hạng được sử dụng trong các thí nghiệm và các mục tiêu xếp hạng K được đưa ra cho các trường hợp isotone và nonprojective.
Các thí nghiệm mô phỏng tương tự cũng đã được thực hiện bằng cách sử dụng phương pháp AHP.
5.3 Kết quả
Trong hình. 8, chúng tôi cho thấy sự bất đồng boxplots đo cho hai lớp học của kiến thức miền (nonprojective, bên trái, và isotone, bên phải), thông qua (7), cho một tập hợp của 25 yêu cầu. Các boxplots được tính trên 10 chạy của các ví dụ cùng một vấn đề. Phương sai của các số đo bất đồng (khoảng cách giữa đầu và tứ phân vị thứ ba) giảm khi tỷ lệ các cặp gợi tăng ở cả hai lô. Ngoài ra, trung bình của các phép đo giảm với sự gia tăng của tỷ lệ các cặp gợi ra. Hơn nữa, xu hướng giảm trong trung bình và phương sai của các số đo bất đồng là nhanh hơn cho các lớp học của nonprojective hình. 8. Kết quả thực nghiệm: Boxplots mô tả phương sai không đồng ý ưu tiên trong trường hợp của nonprojective (trái) và isotone kiến thức (phải) cho 25 yêu cầu. Kiến thức (các