Table 1 Comparative analysis of RMSE for predicting different feature combinations under different machine learning algorithms.
| Â | Â | LR | GBR | DTR | RFR | KNNR | SVR |
|---|---|---|---|---|---|---|---|
7:3 | Model | 0.1363 | 0.1612 | 0.1759 | 0.1527 | 0.1753 | 0.138 |
RSG | Â | 0.1698 | 0.17 | 0.1668 | 0.1696 | 0.13 | |
GA | Â | 0.1436 | 0.1636 | 0.1569 | 0.1659 | 0.1274 | |
SWO | Â | 0.1425 | 0.1718 | 0.1637 | 0.1613 | 0.1353 | |
PSO | Â | 0.1489 | 0.1636 | 0.1642 | 0.2014 | 0.1242 | |
8:2 | Model | 0.133 | 0.1514 | 0.1688 | 0.1533 | 0.1729 | 0.132 |
RSG | Â | 0.1604 | 0.1604 | 0.164 | 0.1672 | 0.128 | |
GA | Â | 0.1373 | 0.1575 | 0.1537 | 0.1548 | 0.1236 | |
SWO | Â | 0.1348 | 0.1499 | 0.1532 | 0.1514 | 0.1327 | |
PSO | Â | 0.1356 | 0.15 | 0.1614 | 0.1979 | 0.1227 | |
9:1 | Model | 0.1468 | 0.1569 | 0.1797 | 0.1699 | 0.1675 | 0.1441 |
RSG | Â | 0.1516 | 0.1721 | 0.1633 | 0.1634 | 0.1416 | |
GA | Â | 0.1519 | 0.1742 | 0.1681 | 0.1471 | 0.1258 | |
SWO | Â | 0.1517 | 0.1676 | 0.1807 | 0.1426 | 0.1513 | |
PSO | Â | 0.1417 | 0.1689 | 0.1797 | 0.1772 | 0.1255 |