Table 1.

Performance of different types of ML algorithms and DL for prediction of PPI modulators

ML Algorithm	Positives	Negatives	CV	Sens	Spec	FPR	Prec	F1-Score	MCC	ROC AUC	PRC AUC
RF	993	993	2-Fold	0.77	0.82	0.18	0.81	0.79	0.60	0.87	0.87
	993	993	10-Fold	0.84	0.88	0.12	0.88	0.86	0.72	0.93	0.92
	993	993	LOO	0.84	0.88	0.12	0.88	0.86	0.72	0.93	0.92
NaiveBayes	993	993	2-Fold	0.69	0.77	0.23	0.73	0.73	0.46	0.81	0.80
	993	993	10-Fold	0.70	0.81	0.19	0.75	0.75	0.50	0.83	0.82
	993	993	LOO	0.69	0.80	0.20	0.75	0.75	0.50	0.83	0.82
SMO	993	993	2-Fold	0.73	0.68	0.32	0.70	0.71	0.42	0.71	0.65
	993	993	10-Fold	0.76	0.72	0.28	0.74	0.74	0.47	0.74	0.74
	993	993	LOO	0.76	0.72	0.28	0.74	0.74	0.49	0.74	0.68
SMO-RBF	993	993	2-Fold	0.71	0.83	0.17	0.77	0.77	0.54	0.77	0.71
	993	993	10-Fold	0.77	0.84	0.16	0.83	0.81	0.62	0.81	0.75
	993	993	LOO	0.78	0.85	0.15	0.81	0.81	0.62	0.81	0.75
Deeplearning	993	993	2-Fold	0.75	0.68	0.32	0.71	0.72	0.43	0.78	0.76
	993	993	10-Fold	0.77	0.72	0.28	0.74	0.74	0.48	0.81	0.79
	993	993	LOO	0.75	0.72	0.28	0.73	0.73	0.47	0.80	0.79