Ref. Methods used Evaluation performance metrics Accuracy Specificity Sensitivity/recall F1 AUC Precision TPR FPR [16 ] SVM 98.11 0.9574 0.8888 NB 96.22 0.93610 0.9696 CNN 99.53 1.0 0.9757 LR 96.69 0.9575 0.9696 KNN 95.75 0.9148 0.9696 ANN 97.64 0.9787 0.9757 [59 ] Decision tree 91.1 0.71 0.91 [48 ] SVM 100% NB 97.017% Decision table 100% [19 ] Decision tree , , AD Tree , , , CDT , , , J48 , , , LAD Tree , , , [62 ] DENN 0.99 0.99 0.99 NN 0.94 0.94 0.94 RF 0.92 0.91 0.91 SVM 0.73 0.73 0.73 Gradient boosting 0.85 0.85 0.85 [4 ] SVM 0.83 0.88 0.88 0.88 0.89 NB 0.89 0.84 0.91 0.91 1.0 RF 0.93 1.0 0.96 0.96 0.92 KNN 0.98 0.97 0.99 0.99 1.0 [1 ] J48 98.44 0.984 0.984 0.984 LMT 98.44 0.984 0.984 0.984 DS 97.82 0.978 0.977 0.979 REP Tree 97.66 0.977 0.976 0.977 NP Tree 97.98 0.980 0.979 0.980 [53 ] DT , , Overall % Overall % NB , , Overall % Overall % KNN , , Overall % Overall % RT , , Overall % Overall % Deep learning , , Overall % Overall % [61 ] LDA 0.9080 0.8667 0.9524 0.9091 0.8696 KNN 0.8851 0.8000 0.9762 0.8913 0.8200 [63 ] RF 0.9571 0.9821 0.8571 [47 ] DNN 86.96 , , OVR-SVM 56.52 , , CART 60.87 , , [46 ] LR 0.97 0.97 0.97 [57 ] DT , , , , , , , , , , RF , , , , , , , , , , RF (hyperparameter) , , , , , , , , , , LR , , , , , , , , , , SVM , , , , , , , , , , ANN , , , , , , , , , , [64 ] DNN , , , SVM , N/A N/A [15 ] ANN , , , , , , , , , , , , , , , RNN , , , , , , , , , , , , , , , DT , , , , , , , , , , , , , , , ELM , , , adult = 0.9190 , , , , , , , , , , , , GB , , , , , , , , , , , , , , , KNN , , , , , , , , , , , , , , , LR , , , , , , , , , , , , , , , MLP , , , , , , , , , , , , , , , NB , , , , , , , , , , , , , , , RF , , , , , , , , , , , , , , , SVM , , , , , , , , , , , , , , , XGB , , , , , , , , , , , , , , , [54 ] KNN 67.5564 LR 72.0238 SVM 70.5952 LDA 72.2024 NB 70.7769 Classification and regression tree 69.1667 [60 ] WOEM 99 98 98 SLFN(ELM) 96 96 96 SVM 94 96.5 96.5 ANN 90 95 95 KNN 95 97 97 [55 ] DT , , , , , , 0LDA , , , , , , , , LR , , , , , , , , SVM , , , , , , , , KNN , , , , , , , , [44 ] RF , , , , , , LR , , , , , , NB , , , , , , MCR with average of probabilities , , , , , , MCR with majority voting , , , , , , [5 ] J48 , , , , , , , , RF , , , , , , , , , Bayes , , , , , , , , , Adaboost , , , , , , , , , PART , , , , , , , , , ANN , , , , , , , , , SVM , , , , , , , , , AttSelclasss , , , , , , , , , [42 ] FARF (combined Firefly-Random Forest) 94.32 35.10 RF 90.78 34.09 [45 ] ANN 83 83.5 84 85 83 SVM 91 86.5 86 86 86 IANFIS 98 90 91 92 89 [56 ] SVM-NP 95.547 0.940 0.956 0.973 SVM-PK 100 1.00 1.00 1.00 SVM-PUK 100 1.00 1.00 1.00 SVM-RBF 99.315 0.993 0.993 0.993 [58 ] SVM , , Active pruning rules (APR) , , RKFNN , , [65 ] BFNNRELU , , , , , , , , ANFAND , , , , , , , , SVM , , , , , , , , MLP , , , , , , , , NB , , , , , , , , C4.5 , , , , , , , , RNT , , , , , , , , [40 ] MCFM 0.842 0.843 SVM 0.833 0.833 RF 0.851 0.852 NB 0.865 0.865