Hybrid Diagnosis Models for Autism Patients Based on Medical and Sociodemographic Features Using Machine Learning and Multicriteria Decision-Making (MCDM) Techniques: An Evaluation and Benchmarking Framework

Table 6

DM.

Alternatives/criteria		Performance evaluation metric criteria
Hybrid diagnosis models		C1	C2	C3	C4	C5	C6	C7
A1	ReF-decision tree	C1-A1	C2-A1	C3-A1	C4-A1	C5-A1	C6-A1	C7-A1
A2	ReF-SVM	C1-A2	C2-A2	C3-A2	C4-A2	C5-A2	C6-A2	C7-A2
A3	ReF-naive Bayes	C1-A3	C2-A3	C3-A3	C4-A3	C5-A3	C6-A3	C7-A3
A4	ReF-KNN	C1-A4	C2-A4	C3-A4	C4-A4	C5-A4	C6-A4	C7-A4
A5	ReF-AdaBoost	C1-A5	C2-A5	C3-A5	C4-A5	C5-A5	C6-A5	C7-A5
A6	IG-decision tree	C1-A6	C2-A6	C3-A6	C4-A6	C5-A6	C6-A6	C7-A6
A7	IG-SVM	C1-A7	C2-A7	C3-A7	C4-A7	C5-A7	C6-A7	C7-A7
A8	IG-naive Bayes	C1-A8	C2-A8	C3-A8	C4-A8	C5-A8	C6-A8	C7-A8
A9	IG-KNN	C1-A9	C2-A9	C3-A9	C4-A9	C5-A9	C6-A9	C7-A9
A10	IG-AdaBoost	C1-A10	C2-A10	C3-A10	C4-A10	C5-A10	C6-A10	C7-A10
A11	Chi^2-decision tree	C1-A11	C2-A11	C3-A11	C4-A11	C5-A11	C6-A11	C7-A11
A12	Chi^2-SVM	C1-A12	C2-A12	C3-A12	C4-A12	C5-A12	C6-A12	C7-A12
A13	Chi^2-naive Bayes	C1-A13	C2-A13	C3-A13	C4-A13	C5-A13	C6-A13	C7-A13
A14	Chi^2-KNN	C1-A14	C2-A14	C3-A14	C4-A14	C5-A14	C6-A14	C7-A14
A15	Chi^2-AdaBoost	C1-A15	C2-A15	C3-A15	C4-A15	C5-A15	C6-A15	C7-A15

C: criteria; A: alternative; C1: train time; C2: test time; C3: AUC; C4: classification accuracy; C5: F1 score; C6: precision; C7: recall.