The most appealing characteristic of DL is the ability to extract high的简体中文翻译

The most appealing characteristic o

The most appealing characteristic of DL is the ability to extract high-level features to leverage the large number of unlabeled instances. Based on the extracted features, classifiers such as support vector machine (SVM) and random forest (RF) are used to build the prediction model. However, while a single classification model performs well, fusing multiple models through ensemble learning improves performance. An ensemble learning method is a meta-algorithm that trains several baseline models and combines them into a single predictive model. Apart from improved classification, ensemble methods perform well in problems involving noisy and imbalanced datasets [38]. Classification strengths of individual base classifiers selected for construction of the overall ensemble model lead to more accurate predictive performance. In 2011, a method named RPISeq [39] extracted 3-mer and 4-mer sequence features to train RF and SVM models for prediction of protein-RNA interaction. Then, Wang et al. [40] presented a model that predicted interactions between proteins and RNAs based on Naive Bayes (NB) and an extended NB classifier. In 2016, Pan et al. developed IPMiner, a sequence-based method for predicting lncRNA-protein interactions based on stacked autoencoder [41]. Yi et al. proposed RPI-SAN for lncRNA-protein interaction based on stacked autoencoder and RF [42]. lncLocator [43] predicted lncRNA subcellular localizations based on an ensemble of SVM and RF classifiers. A recent tool termed HLPI-Ensemble (human lncRNA-protein interaction) was proposed to predict human lncRNA-protein interactions based on SVM, extreme gradient boost (XGB), and RF [44]. For cancer prediction, a model based on DL with an ensemble of three classifiers was recently proposed by Xiao et al. [45].
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
DL最吸引人的特征是能够提取高级功能以利用大量未标记实例的能力。基于提取的特征,使用支持向量机(SVM)和随机森林(RF)等分类器来构建预测模型。但是,尽管单个分类模型表现良好,但通过集成学习融合多个模型可以提高性能。集成学习方法是一种元算法,可以训练几个基准模型并将它们组合成一个预测模型。除了改进的分类外,集成方法在涉及嘈杂和不平衡数据集的问题中表现良好[38]。为构建整体总体模型而选择的各个基本分类器的分类强度可导致更准确的预测性能。在2011年,一种名为RPISeq的方法[39]提取了3聚体和4聚体序列特征,以训练RF和SVM模型来预测蛋白质-RNA相互作用。然后,王等。[40]基于朴素贝叶斯(NB)和扩展的NB分类器,提出了一种预测蛋白质和RNA之间相互作用的模型。在2016年,Pan等。开发了IPMiner,一种基于序列的方法,用于基于堆叠式自动编码器预测lncRNA-蛋白质相互作用[41]。Yi等。提出了基于堆叠式自动编码器和RF的用于lncRNA-蛋白质相互作用的RPI-SAN [42]。lncLocator [43]基于SVM和RF分类器的组合预测了lncRNA亚细胞定位。提出了一种新的工具HLPI-Ensemble(人类lncRNA-蛋白质相互作用),该工具基于SVM,极端梯度增强(XGB)和RF来预测人类lncRNA-蛋白质相互作用[44]。对于癌症的预测,Xiao等人最近提出了一个基于DL和三个分类器的模型。[45]。
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
DL 最吸引人的特点是能够提取高级功能,以利用大量未标记的实例。基于提取的特征,使用支持向量机 (SVM) 和随机林 (RF) 等分类器构建预测模型。但是,虽然单个分类模型性能良好,但通过组合学习将多个模型引去可提高性能。一种综合学习方法是一种元算法,它训练多个基线模型,并将它们合并到一个预测模型中。除了改进的分类外,合奏方法在涉及嘈杂和不平衡数据集的问题中表现良好 [38]。为构建整体组合模型而选择的单个基分类器的分类优势可带来更准确的预测性能。2011 年,一种名为 RPISeq [39] 的方法提取了 3-mer 和 4-mer 序列特征,用于训练 RF 和 SVM 模型以预测蛋白质-RNA 相互作用。然后,Wang等人[40]提出了一个模型,该模型基于天真贝叶(NB)和扩展NB分类器,预测蛋白质和RNA之间的相互作用。2016年,Pan等人开发了IPMiner,这是一种基于序列的方法,用于预测基于堆叠自合成器的lncRNA蛋白相互作用[41]。Yi等人提出了基于堆叠自合成和RF[42]的lncRNA蛋白相互作用的RPI-SAN。lncLocator [43] 基于 SVM 和 RF 分类器组合预测 lncRNA 亚细胞定位。最近提出了一种称为HLPI-组合(人类lncRNA-蛋白质相互作用)的工具,用于预测基于SVM、极端梯度提升(XGB)和RF[44]的人类lncRNA蛋白相互作用。在癌症预测方面,肖等人最近提出了一个基于DL的模型,该模型由三个分类器组合在一起[45]。
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
DL最吸引人的特点是能够提取高级特性,以利用大量未标记实例。基于提取的特征,采用支持向量机(SVM)和随机森林(RF)等分类器建立预测模型。然而,虽然单一分类模型性能良好,但通过集成学习融合多个模型可以提高性能。集成学习方法是训练多个基线模型并将其合并为单个预测模型的元算法。除了改进的分类方法外,集成方法在噪声和不平衡数据集问题上表现良好[38]。分类强度的选择为构建整体集成模型选择的单个基分类器,可以更准确地预测性能。2011年,一种名为RPISeq[39]的方法提取3-mer和4-mer序列特征,训练RF和SVM模型,用于预测蛋白质RNA相互作用。然后,王等人。[40]提出了一种基于朴素贝叶斯(NB)和扩展NB分类器的蛋白质与RNA相互作用的预测模型。2016年,Pan等人。开发了基于序列的IPMiner,一种基于序列的基于堆叠自动编码器的lncRNA蛋白质相互作用预测方法[41]。Yi等人。提出了基于叠置自编码器和射频的lncRNA蛋白质相互作用的RPI-SAN[42]。lncLocator[43]基于支持向量机和射频分类器的组合预测lncRNA亚细胞定位。提出了一种新的基于支持向量机、极值梯度增强(XGB)和RF[44]的HLPI集成(人lncRNA蛋白相互作用)预测人类lncRNA蛋白相互作用的工具。为了预测癌症,肖晓等最近提出了一种基于DL的三个分类器组合模型。[45]。<br>
正在翻译中..
 
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.

Copyright ©2024 I Love Translation. All reserved.

E-mail: