Many cellular functions are carried

Many cellular functions are carried out in specific compartments of the cell. The prediction of the cellular localization of a protein is thus
related to its function identification. This paper uses two Machine Learning techniques, Support Vector Machines (SVMs) and Decision Trees,
in the prediction of the localization of proteins from three categories of organisms: gram-positive and gram-negative bacteria and fungi. For all
categories considered, the localization task has multiple classes, which correspond to the possible protein locations. Since SVMs are originally
designed for the solution of two-class problems, this paper also investigates and compares several strategies to extend this technique to perform
multiclass predictions.

ผลลัพธ์ (ไทย) 1:

ฟังก์ชันโทรศัพท์มือถือมากมายที่ดำเนินในช่อง specific ของเซลล์ คำทำนายแปลเซลลูลาร์เป็นโปรตีนจึง
กับ identification ของฟังก์ชัน เอกสารนี้ใช้สองเครื่องเรียนเทคนิค สนับสนุนเครื่องแบบเวกเตอร์ (SVMs) และต้นไม้การตัดสินใจ,
ในคำทำนายแปลของโปรตีนจากสามประเภทของสิ่งมีชีวิต: แบคทีเรียแบคทีเรียแกรมบวก และแบคทีเรียแกรมลบและเชื้อรา ทั้งหมด
ประเภทถือ งานแปลมีหลายระดับ ซึ่งสอดคล้องกับสถานเป็นโปรตีน ตั้งแต่ SVMs เดิม
ออกแบบมาสำหรับโซลูชั่นของปัญหา 2 ชั้น กระดาษนี้ยังตรวจสอบ และเปรียบเทียบหลายกลยุทธ์ขยายเทคนิคนี้ทำ
multiclass คาดคะเน

ผลลัพธ์ (ไทย) 2:

ฟังก์ชั่นโทรศัพท์มือถือจำนวนมากมีการดำเนินการในช่อง speci Fi คของเซลล์ การคาดการณ์ของท้องถิ่นเซลล์ของโปรตีนจึงเป็น
ที่เกี่ยวข้องกับการทำงานของไอออนบวกไฟของการระบุ กระดาษนี้จะใช้สองเทคนิคเครื่องการเรียนรู้เทคโนโลยี Support Vector Machines (SVMs) และต้นไม้ตัดสินใจ
ในการคาดการณ์ของการแปลของโปรตีนจากสามประเภทของสิ่งมีชีวิต: แบคทีเรียแกรมบวกและแกรมลบและเชื้อรา สำหรับทุก
ประเภทถือว่าเป็นงานแปลที่มีหลายชั้นเรียนซึ่งสอดคล้องกับสถานที่โปรตีนที่เป็นไปได้ ตั้งแต่ SVMs มีมา แต่เดิม
ออกแบบมาเพื่อแก้ปัญหาสองระดับบทความนี้ยังสำรวจและเปรียบเทียบหลายกลยุทธ์ที่จะขยายเทคนิคนี้ในการดำเนิน
การคาดการณ์ multiclass

ผลลัพธ์ (ไทย) 3:

หน้าที่ของเซลล์หลายประเภทจึงจะดําเนินการในช่อง C ของเซลล์ การคาดการณ์ของการเซลล์ของโปรตีนดังนั้นจึงเกี่ยวข้องกับการทำงานของมัน
identi ไอออนบวก กระดาษนี้ใช้สองเทคนิคการเรียนรู้ของเครื่อง สนับสนุนเครื่องเวกเตอร์ ( แบบ ) และต้นไม้การตัดสินใจ
ในการคาดการณ์การปรับภาษาของโปรตีนจากสามประเภทของสิ่งมีชีวิต :แบคทีเรียแกรมบวกและแกรมลบ แบคทีเรียและเชื้อรา ทั้งหมด
ประเภทพิจารณา , การแปลงานมีการเรียนหลายซึ่งสอดคล้องกับที่ตั้งของโปรตีนได้ เพราะแบบเดิมที่ออกแบบมาสำหรับโซลูชั่นของ
2 ห้อง ปัญหา กระดาษนี้ยังศึกษาและเปรียบเทียบหลายกลยุทธ์ที่จะขยายเทคนิคนี้แสดง
คาดคะเนหลาย .