Applications of the SDL Global Optimization Method in DNA Microarray Data Analysis - DNA Microarray Technology and Data Analysis in Cancer Research - page 87

Table 5.8. ( Continued )

Prediction of 17 test samples Results of classification

Success

Gene subsets T28 N28 N29 T29 T31 T32 N32 N33 T34 T35 N35 T37 T38 T39 N39 T40 N40 Correct Incorrect Unknown rate %

16-gene subset − 1 0 1 − 1 − 1 − 11 1 − 1 − 1 1 − 1 − 1 − 1 1 − 1 1 16 0 1 94.1

17-gene subset − 1 1 1 − 1 − 1 − 11 1 − 1 − 1 1 − 1 − 1 − 1 1 − 1 1 17 0 0 100

18-gene subset 0 1 1 − 1 − 1 − 11 1 − 1 − 1 1 − 1 − 1 − 1 1 − 1 1 16 0 1 94.1

19-gene subset − 1 − 1 0 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 10 6 1 58.8

20-gene subset − 1 1 0 − 1 − 1 − 1 − 1 1 − 1 − 1 1 − 1 − 1 − 1 − 1 − 1 0 13 2 2 76.5

21-gene subset 0 1 1 − 1 − 1 − 11 1 − 1 − 1 1 − 1 − 1 − 1 0 − 1 1 15 0 2 88.2

22-gene subset − 1 1 1 − 1 − 1 − 11 1 − 1 − 1 1 − 1 − 1 − 1 1 − 1 1 16 1 0 94.1

23-gene subset − 1 1 0 − 1 − 1 − 11 0 − 1 − 1 1 − 1 − 1 − 1 − 1 − 1 1 14 1 2 82.3

Sum of votes: − 21 5 13 − 23 − 23 − 23 9 12 − 23 − 23 15 − 21 − 22 − 23 3 − 23 13

Classified as: − 1 1 1 − 1 − 1 − 11 1 − 1 − 1 1 − 1 − 1 − 1 1 − 1 1 17 0 0 100

Note : Each gene subset is used to classify the 17 test samples. The predicted class for every sample is represented by a vote value (1 for normal, − 1 for tumor, and 0 for unknown).