Table 3.

Comparative performance analysis of different algorithms

Microarray	Algorithms	Apparent error		B1 Error		Gap estimate		B.632+ Error
data sets	/Methods	Error	miRNAs	Error	miRNAs	Error	miRNAs	Error	miRNAs
	Golub et al.	0.000	19	0.194	32	0.258	32	0.146	32
	Lasso	0.056	2	0.266	2	0.125	2	0.229	2
	Boosting	0.000	5	0.113	10	0.090	10	0.094	10
GSE17681	InfoGain	0.000	6	0.154	21	0.290	21	0.111	21
	mRMR	0.000	10	0.175	28	0.267	28	0.129	28
	RSMRMS	0.000	8	0.142	24	0.299	24	0.102	24
	μHEM	0.000	5	0.120	50	0.325	50	0.084	50
	Golub et al.	0.000	6	0.116	48	0.363	48	0.081	48
	Lasso	0.024	3	0.102	3	0.241	2	0.079	3
	Boosting	0.000	4	0.037	9	0.170	9	0.025	9
GSE17846	InfoGain	0.000	7	0.093	37	0.387	37	0.063	37
	mRMR	0.000	3	0.101	48	0.379	48	0.069	48
	RSMRMS	0.000	2	0.093	39	0.386	39	0.064	39
	μHEM	0.000	2	0.087	49	0.392	49	0.059	49
	Golub et al.	0.000	35	0.069	48	0.368	39	0.047	48
	Lasso	0.043	5	0.061	6	0.074	6	0.057	6
	Boosting	0.099	3	0.107	3	0.074	3	0.104	3
GSE21036	InfoGain	0.000	39	0.073	50	0.372	44	0.049	50
	mRMR	0.000	19	0.064	49	0.376	50	0.043	49
	RSMRMS	0.050	5	0.089	5	0.328	5	0.075	5
	μHEM	0.000	42	0.058	47	0.386	47	0.039	47
	Boosting	0.099	8	0.211	8	0.057	8	0.192	8
	InfoGain	0.000	26	0.257	45	0.218	46	0.203	45
GSE24709	mRMR	0.000	24	0.245	50	0.229	50	0.191	50
	RSMRMS	0.141	11	0.402	11	0.123	2	0.366	11
	μHEM	0.000	20	0.234	49	0.241	49	0.180	49
	Golub et al.	0.000	27	0.300	27	0.173	3	0.248	27
	Lasso	0.045	4	0.251	4	0.118	4	0.215	4
	Boosting	0.023	7	0.191	8	0.131	4	0.160	8
GSE28700	InfoGain	0.000	35	0.309	8	0.159	8	0.271	21
	mRMR	0.000	21	0.333	49	0.140	7	0.285	49
	RSMRMS	0.023	34	0.331	19	0.140	15	0.285	19
	μHEM	0.000	25	0.306	4	0.194	4	0.257	4
	Golub et al.	0.000	36	0.073	1	0.364	1	0.069	1
	Lasso	0.061	3	0.072	4	0.184	1	0.068	4
	Boosting	0.081	2	0.087	2	0.085	1	0.085	2
GSE31408	InfoGain	0.007	20	0.090	9	0.331	1	0.077	27
	mRMR	0.000	37	0.094	6	0.331	1	0.074	6
	RSMRMS	0.061	2	0.086	6	0.336	2	0.077	6
	μHEM	0.000	44	0.098	2	0.354	50	0.067	50