Skip to main content

Table 4 Overall weights of six classification models were constructed to optimize the candidate diagnostic genes

From: Integration of machine learning to identify diagnostic genes in leukocytes for acute myocardial infarction patients

ID

SVM

RF

NN

GBM

DT

LASSO

Overall weights

ASGR2

1

1

0.97

0.21

1

0.61

4.79

SOCS3

0.98

0.34

0.52

0.24

0.59

0.61

3.28

AQP9

0.61

0.1

0.68

1

0

0.52

2.91

PPARG

0.76

0.15

1

0.25

0

0.5

2.66

RNASE1

0.74

0.22

0.24

0.1

0.41

0.74

2.45

DYSF

0.2

0.68

0.01

0.57

0

0.72

2.18

S100A9

0.53

0.09

0.01

0.74

0

0.63

2

FCGR1A

0.17

0.51

0

0.57

0

0.68

1.93

VSIG4

0.44

0.3

0.1

0.19

0.01

0.86

1.9

STAB1

0.47

0.58

0.05

0.14

0

0.61

1.85

MYBL1

0.68

0.15

0.2

0

0.26

0.52

1.81

KLRD1

0.26

0.65

0.01

0.05

0

0.73

1.7

ECRP

0.44

0.24

0.11

0

0.34

0.54

1.67

TCN2

0.46

0.27

0.07

0

0

0.78

1.58

FAM20A

0.31

0.08

0.15

0

0

1

1.54

MERTK

0.19

0.21

0.01

0.1

0.14

0.71

1.36

HP

0.09

0.78

0

0

0

0.45

1.32

RNASE2

0.16

0.42

0.01

0

0

0.7

1.29

DTHD1

0.13

0.45

0.05

0

0

0.66

1.29

CLC

0.11

0.72

0.02

0

0

0.36

1.21

SNORD20

0.14

0.24

0.01

0.13

0.1

0.5

1.12

CD163

0.15

0.29

0

0.11

0

0.57

1.12

NRG1

0.2

0.25

0.02

0

0

0.63

1.1

SNORD45B

0.12

0.64

0.01

0

0

0.33

1.1

CYP1B1

0.14

0.25

0

0

0

0.66

1.05

KLRC2

0.07

0.51

0

0

0

0.46

1.04

TMEM176A

0.08

0.67

0

0

0

0.24

0.99

SLED1

0.09

0.24

0.02

0.05

0

0.49

0.89

FCGR1A.2

0.23

0

0

0.62

0

0

0.85

SERPINB2

0.08

0.21

0

0

0

0.54

0.83

FCGR1A.1

0.18

0

0

0.62

0

0

0.8

KLRC4

0.13

0.21

0

0

0

0.43

0.77

KLRA1P

0.1

0.07

0

0.08

0

0.51

0.76

MIR21

0.08

0.09

0.01

0

0

0.5

0.68

CES1

0.12

0.05

0.03

0

0

0.47

0.67

KLRC4-KLRK1

0.07

0

0

0.08

0

0.43

0.58

KLRC3

0.07

0.1

0

0

0

0.39

0.56

NRG1.1

0.13

0

0

0

0

0

0.13

FMN1.1

0.07

0

0.01

0

0

0

0.08