Table 10 Summary of the performance of the algorithms for the control group, considering Input 3 as training data.

From: On the prediction of tibiofemoral contact forces for healthy individuals and osteoarthritis patients during gait: a comparative study of regression methods

Function	1st Knee contact peak (N/body weight)								2nd Knee contact peak (N/body weight)
Function	MAE	RPE	RMSE	R	R2	MDF	LCI	UCI	MAE	RPE	RMSE	R	R2	MDF	LCI	UCI
(1) Ensemble trees (bagging)	0.17	6.52	0.20	0.82	0.68	0.08	\(-\) 0.03	0.18	0.25	8.89	0.31	0.54	0.29	0.21	0.10	0.33
(2) Ensemble trees (LSBoost)	0.26	9.93	0.34	0.88	0.77	\(-\) 0.08	\(-\) 0.26	0.10	0.29	10.05	0.43	0.54	0.29	0.13	\(-\) 0.10	0.36
(3) Linear SVR	0.14	5.75	0.17	0.96	0.93	0.14	0.09	0.19	0.10	3.34	0.12	0.95	0.90	0.09	0.04	0.13
(4) Quadratic SVR	0.10	3.88	0.12	0.96	0.92	0.08	0.02	0.13	0.10	3.35	0.11	0.94	0.88	0.06	0.01	0.12
(5) Cubic SVR	0.10	4.07	0.13	0.97	0.95	0.09	0.03	0.14	0.09	3.02	0.10	0.95	0.91	0.07	0.02	0.11
(6) Gaussian SVR	0.08	3.63	0.12	0.97	0.94	0.07	0.01	0.12	0.09	2.99	0.10	0.95	0.90	0.06	0.02	0.11
(7) Linear regression	0.12	4.40	0.14	0.90	0.81	0.01	\(-\) 0.07	0.08	0.17	5.69	0.20	0.61	0.38	\(-\) 0.01	\(-\) 0.12	0.10
(8) Lasso regression	0.12	4.92	0.15	0.99	0.98	0.11	0.06	0.17	0.20	7.19	0.27	0.56	0.31	0.16	0.04	0.27
(9) Ridge regression	0.12	4.86	0.15	0.96	0.93	0.11	0.05	0.16	0.14	4.96	0.16	0.95	0.90	0.14	0.09	0.18
(10) Binary decision tree	0.25	9.44	0.29	0.89	0.79	0.09	\(-\) 0.06	0.24	0.27	9.49	0.37	0.37	0.14	0.21	0.04	0.38
(11) GR (K.-exponential)	0.10	4.29	0.14	0.96	0.92	0.06	\(-\) 0.01	0.13	0.17	5.92	0.23	0.60	0.37	0.11	\(-\) 0.01	0.22
(12) GR (K.-squared exponential)	0.09	3.80	0.12	0.96	0.92	0.06	0.00	0.12	0.10	3.32	0.12	0.92	0.85	0.06	0.00	0.11
(13) GR (K.-matern 32)	0.08	3.62	0.11	0.97	0.93	0.06	0.00	0.11	0.10	3.25	0.12	0.92	0.84	0.06	0.00	0.11
(14) GR (K.-matern 52)	0.08	3.47	0.11	0.97	0.94	0.06	0.01	0.11	0.10	3.22	0.11	0.92	0.85	0.06	0.00	0.11
(15) GR (K.-rational quadratic)	0.09	3.69	0.12	0.96	0.92	0.06	0.00	0.12	0.10	3.32	0.12	0.92	0.85	0.06	0.00	0.11
(16) ETSVR-Kernel linear	0.16	6.28	0.19	0.94	0.89	0.15	0.09	0.21	0.12	4.29	0.15	0.94	0.88	0.12	0.07	0.17
(17) Kernel ridge regression	0.15	5.93	0.18	0.94	0.89	0.14	0.08	0.20	0.14	4.72	0.16	0.96	0.92	0.14	0.10	0.18
(18) Nyström ridge regression	0.17	7.04	0.21	0.93	0.87	0.17	0.10	0.23	0.22	7.67	0.28	0.36	0.13	0.05	\(-\) 0.10	0.21
(19) DNNE	0.18	6.68	0.25	0.69	0.47	\(-\) 0.02	\(-\) 0.16	0.11	0.09	3.04	0.10	0.92	0.85	0.00	\(-\) 0.05	0.06
(20) kNN weighted mean	0.20	7.83	0.24	0.67	0.45	\(-\) 0.02	\(-\) 0.15	0.12	0.28	10.37	0.40	0.18	0.03	0.25	0.08	0.42
(21) RKNNWTSVR	0.15	6.00	0.18	0.94	0.89	0.14	0.08	0.20	0.10	3.59	0.13	0.92	0.85	0.08	0.02	0.14
(22) LTSVR	0.18	7.25	0.22	0.84	0.71	0.13	0.03	0.22	0.15	5.02	0.17	0.93	0.87	0.14	0.09	0.19
(23) Stepwise glm	0.16	6.68	0.20	0.98	0.96	0.15	0.08	0.23	0.30	10.62	0.35	0.33	0.11	0.23	0.09	0.38
(24) Neural networks	0.10	3.94	0.12	0.94	0.89	\(-\) 0.01	\(-\) 0.07	0.06	0.26	9.00	0.28	0.66	0.43	\(-\) 0.12	\(-\) 0.26	0.01

Best results (i.e. highest accuracy) are in bold.
RMSE root mean squared error, R Pearson correlation coefficient, (R\(^2\)) the coefficient of determination, MDF mean delta force, LCI lower confidence interval, UPF upper confidence interval, GR Gaussian regression, K Kernel.

Back to article page

Table 10 Summary of the performance of the algorithms for the control group, considering Input 3 as training data.

Search

Quick links