Data

Model

Normalization

None

Z-standard

Min-Max

MaxAbs (−1, 1)

Quantile Transform

Quantile Normalize

Abalone data with binary target

Logistic

Total Loss

0.093

0.093

0.093

0.093

0.093

0.093

Bias

0.093

0.093

0.093

0.093

0.093

0.093

Variance

0.000

0.000

0.000

0.144

0.000

0.000

Noise

0.000

0.000

0.000

0.144

0.000

0.000

Variance-Bias Ratio

0.000

0.000

0.000

1.542

0.000

0.000

Percent Change from Raw

~

100.000

100.000

100.000

100.000

100.000

Decision Tree

Total Loss

0.145

0.102

0.230

0.252

0.391

0.145

Bias

0.079

0.091

0.098

0.111

0.174

0.079

Variance

0.066

0.011

0.131

0.046

0.217

0.066

Noise

0.000

0.000

0.000

0.095

0.000

0.000

Variance-Bias Ratio

0.847

0.124

1.340

0.419

1.248

0.847

Percent Change from Raw

~

70.193

158.349

173.704

269.903

100.000

Random Forest

Total Loss

0.108

0.093

0.122

0.127

0.149

0.108

Bias

0.081

0.093

0.077

0.082

0.079

0.081

Variance

0.027

0.000

0.045

0.127

0.070

0.027

Noise

0.000

0.000

0.000

0.081

0.000

0.000

Variance-Bias Ratio

0.337

0.000

0.587

1.554

0.881

0.337

Percent Change from Raw

~

86.254

112.596

117.182

138.182

100.000

SVM

Total Loss

0.093

0.093

0.093

0.093

0.093

0.093

Bias

0.093

0.093

0.093

0.093

0.093

0.093

Variance

0.000

0.000

0.000

0.000

0.000

0.000

Noise

0.000

0.000

0.000

0.000

0.000

0.000

Variance-Bias Ratio

0.000

0.000

0.000

0.000

0.000

0.000

Percent Change from Raw

~

100.000

100.000

100.000

100.000

100.000

Gradient Boosting

Total Loss

0.103

0.094

0.171

0.213

0.237

0.103

Bias

0.081

0.093

0.086

0.109

0.105

0.081

Variance

0.021

0.001

0.085

0.003

0.132

0.021

Noise

0.000

0.000

0.000

0.102

0.000

0.000

Variance-Bias Ratio

0.261

0.015

0.985

0.025

1.263

0.261

Percent Change from Raw

~

92.110

166.500

207.969

230.980

100.000

Neural Network

Total Loss

0.093

0.093

0.093

0.093

0.093

0.093