Complementarity between the models

Complementarity between the models indicates that ensemble techniques might be investigated to combine the results of several models in the most efficient way. The results obtained on manufacturing cost correspond to the statistical theory on comparative model performance. Last but not least, our results on a particular case study illustrate one of the epistemological debates about Data Mining and Machine Learning: is it possible to predict a phenomenon without understanding its physical foundations or underlying logic (Saporta, 2011)? If our analysis seems to point towards a positive answer, cost estimators should nonetheless rely on physics-based models as well as simple statistical models such as MLR to understand the main drivers of manufacturing cost.

結果 (繁體中文) 1:

模型之間的互補性表明，集合技術可能被調查的幾個模型的結果結合起來，最有效的方式。成本對應製造上比較模型的性能統計理論得到的結果。最後但並非最不重要的，我們在特定的情況下，研究結果顯示有關​​數據挖掘和機器學習的認識論之爭的一個：是否有可能預測的現象不理解它的物理基礎或基本邏輯（薩波塔，2011）？如果我們的分析似乎走向了肯定的回答來看，成本估計仍應依靠物理模型，以及簡單的統計模型，如MLR了解製造成本的主要驅動因素。

結果 (繁體中文) 2:

模型之間的互補性表明，可以研究組合技術，以最有效的方式將多個模型的結果結合起來。所得的製造成本結果與比較模型性能統計理論相對應。最後但並非最不重要的一點，我們關於特定案例研究的結果說明了關於資料採礦和機器學習的認識論爭論之一：在不了解其物理基礎或基本邏輯的情況下預測現象是否可能（Saporta，2011)?如果我們的分析似乎指向一個積極的答案，成本估算者仍應該依靠基於物理的模型以及簡單的統計模型（如 MLR）來瞭解製造成本的主要驅動因素。

結果 (繁體中文) 3:

模型之間的互補性表明，可以研究集成科技，以最有效的管道組合多個模型的結果。製造成本的計算結果與比較模型效能的統計理論相符。最後但並非最不重要的是，我們對一個特定案例研究的結果說明了關於資料挖掘和機器學習的認識論爭論之一：在不瞭解其物理基礎或基本邏輯的情况下預測一個現象是可能的嗎（Saporta，2011）？如果我們的分析似乎指向了一個積極的答案，那麼成本估算者仍然應該依賴於基於物理的模型以及簡單的統計模型，比如MLR，來理解製造成本的主要驅動因素。