Table 6.

Performance results of methods on Experiment 1 (Train and Test Dataset)

		Model	Test
			CA	Prec	Rec	AUC	F1
No Feature Selection	Unbalanced	LR	0,89	0,55	0,10	0,54	0,17
		DT	0,89	0,50	0,18	0,58	0,27
		RF	0,91	0,68	0,35	0,66	0,46
		XGM	0,89	0,57	0,27	0,62	0,36
		SVM	0,89	0,00	0,00	0,50	0,00
		KNN	0,90	0,62	0,22	0,60	0,32
		GNB	0,83	0,34	0,53	0,70	0,42
		MLP NN	0,90	0,63	0,32	0,65	0,42
		Adaboost	0,90	0,68	0,25	0,62	0,37
		SGD	0,90	0,68	0,32	0,65	0,43
	SMOTE	LR	0,81	0,34	0,72	0,77	0,46
		DT	0,84	0,39	0,68	0,77	0,50
		RF	0,90	0,60	0,47	0,71	0,52
		XGM	0,90	0,57	0,53	0,74	0,55
		SVM	0,88	0,49	0,52	0,72	0,50
		KNN	0,78	0,31	0,75	0,77	0,44
		GNB	0,81	0,35	0,77	0,79	0,48
		MLP NN	0,86	0,42	0,52	0,71	0,47
		Adaboost	0,89	0,53	0,45	0,70	0,49
		SGD	0,77	0,31	0,82	0,79	0,45
With Feature Selection	Unbalanced	LR	0,90	0,61	0,28	0,63	0,39
		DT	0,88	0,43	0,17	0,57	0,24
		RF	0,87	0,41	0,28	0,62	0,34
		XGM	0,89	0,52	0,18	0,58	0,27
		SVM	0,89	0,50	0,05	0,52	0,09
		KNN	0,90	0,61	0,28	0,63	0,39
		GNB	0,87	0,44	0,47	0,69	0,45
		MLP NN	0,90	0,60	0,25	0,61	0,35
		Adaboost	0,89	0,60	0,20	0,59	0,30
		SGD	0,90	0,65	0,33	0,65	0,44
	SMOTE	LR	0,80	0,33	0,73	0,77	0,46
		DT	0,85	0,36	0,47	0,68	0,41
		RF	0,86	0,39	0,38	0,65	0,39
		XGM	0,87	0,44	0,58	0,74	0,50
		SVM	0,84	0,39	0,68	0,77	0,49
		KNN	0,82	0,34	0,62	0,73	0,44
		GNB	0,82	0,37	0,75	0,79	0,49
		MLP NN	0,82	0,34	0,65	0,74	0,45
		Adaboost	0,83	0,37	0,62	0,74	0,46
		SGD	0,80	0,34	0,77	0,79	0,47