Skip to main content

Table 2 Performance of two-class gene selection

From: A robust and stable gene selection algorithm based on graph theory and machine learning

   Average jaccard indices (\({JI}_{avg}\)) Average informedness (\({I}_{avg}\))
Dataset Top genes SU GR KLD RELIEF SVM-RFE RSGSA SU GR KLD RELIEF SVM-RFE RSGSA
D1 50 0.18 0.21 0.05 0.29 0.22 0.38 0.63 0.62 0.52 0.67 0.75 0.86
100 0.21 0.21 0.11 0.31 0.28 0.41 0.67 0.68 0.67 0.64 0.75 0.85
150 0.23 0.23 0.14 0.32 0.31 0.44 0.66 0.67 0.62 0.62 0.74 0.84
200 0.25 0.25 0.18 0.33 0.34 0.47 0.66 0.68 0.61 0.62 0.74 0.86
D2 50 0.04 0.06 0.02 0.05 0.14 0.23 0.14 0.06 0.05 0.33 0.56 0.74
100 0.05 0.06 0.03 0.06 0.19 0.25 0.21 0.17 0.01 0.34 0.59 0.79
150 0.07 0.08 0.05 0.07 0.21 0.27 0.19 0.27 0.11 0.38 0.63 0.79
200 0.08 0.08 0.07 0.08 0.24 0.29 0.18 0.33 0.16 0.36 0.68 0.84
D3 50 0.39 0.44 0.05 0.24 0.32 0.56 0.92 0.90 0.81 0.93 0.96 0.99
100 0.35 0.43 0.05 0.22 0.34 0.52 0.95 0.92 0.83 0.92 0.98 0.99
150 0.33 0.43 0.07 0.22 0.35 0.53 0.92 0.92 0.88 0.91 0.98 0.99
200 0.31 0.42 0.08 0.22 0.37 0.53 0.93 0.93 0.88 0.94 0.97 0.99
D4 50 0.04 0.09 0.01 0.03 0.12 0.17 0.38 0.23 0.26 0.45 0.55 0.47
100 0.05 0.13 0.02 0.04 0.17 0.19 0.39 0.22 0.31 0.40 0.57 0.45
150 0.06 0.11 0.03 0.05 0.18 0.21 0.38 0.20 0.25 0.44 0.61 0.50
200 0.07 0.11 0.04 0.06 0.20 0.22 0.40 0.25 0.29 0.43 0.59 0.52
D5 50 0.84 0.78 0.66 0.61 0.56 0.65 0.99 0.99 0.99 0.99 1.00 1.00
100 0.73 0.65 0.54 0.73 0.56 0.63 1.00 1.00 1.00 0.99 1.00 1.00
150 0.73 0.61 0.48 0.81 0.55 0.64 1.00 1.00 1.00 1.00 1.00 1.00
200 0.74 0.60 0.44 0.81 0.56 0.65 1.00 1.00 0.99 1.00 1.00 1.00
Average 50 0.30 0.32 0.16 0.24 0.27 0.40 0.61 0.56 0.53 0.67 0.76 0.81
100 0.28 0.30 0.15 0.27 0.31 0.40 0.64 0.60 0.56 0.66 0.78 0.82
150 0.28 0.29 0.15 0.29 0.32 0.42 0.63 0.61 0.57 0.67 0.79 0.82
200 0.29 0.29 0.16 0.30 0.34 0.43 0.63 0.64 0.59 0.67 0.80 0.84
Average RSGSA gain 50 0.33 0.25 1.50 0.67 0.48   0.33 0.45 0.53 0.21 0.07  
100 0.43 0.33 1.67 0.48 0.29   0.28 0.37 0.46 0.24 0.05  
150 0.50 0.45 1.80 0.45 0.31   0.30 0.34 0.44 0.22 0.04  
200 0.48 0.48 1.69 0.43 0.26   0.33 0.31 0.42 0.25 0.05  
  1. The best performance metric value among the algorithms on each dataset is highlighted in bold typeface