Escolar Documentos
Profissional Documentos
Cultura Documentos
Fortaleza
2011
Lara Carvalho Menezes
Dissertação apresentada ao
Programa de Pós-Graduação em
Informática Aplicada da
Universidade de Fortaleza como
requisito parcial para obtenção do
Título de Mestre em Informática.
Fortaleza
2011
___________________________________________________________________________
Ao professor Blaise Hanczar, por ter cedido o código para geração das bases de
dados artificiais utilizadas neste trabalho.
The goal of Data Mining (DM) as a research area is to provide a set of tasks and
algorithms aiming at extracting interesting and useful information from large databases.
Among several DM tasks lies that of biclustering, whereby rows and columns of a data
matrix are simultaneously grouped based on the similarity of their elements. The main
objectives of this work are to provide a thorough comparative assessment on the
performance of several multimodal bio-inspired algorithms while coping with
biclustering as well as to investigate the potentials of ensemble models induced over
biclusters generated by these algorithms, having in mind bioinformatics problems. After
introducing general DM concepts as well as specific concepts related to biclustering, a
detailed characterization of the multimodal bio-inspired algorithms and ensemble
models investigated here is provided. Experiments have been systematically conducted
to evaluate the performance of these algorithms, and the overall results achieved
indicate that the ensemble models can usually outperform the multimodal bio-inspired
algorithms when applied alone, as evidenced by several efficiency and effectiveness
measures and hypothesis tests.
SUMÁRIO
LISTA DE FIGURAS
Figura 44 - MSR do melhor bicluster para o Bagged Biclustering com sobreposição nas
bases Multitissue, Yeast, Artificial_2, Artificial_4 e Artificial_6. ..................................... 111
Figura 45 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering com sobreposição referente ao valor de MSR do melhor bicluster. ......... 112
Figura 46 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering com sobreposição referente ao valor médio de MSR da população final.
............................................................................................................................................. 112
Figura 47 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering com sobreposição referente ao volume do melhor bicluster. .................... 113
Figura 48 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering com sobreposição referente ao volume médio da população final........... 113
Figura 49 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering com sobreposição referente à cobertura dos elementos........................... 114
Figura 50 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering com sobreposição referente à sobreposição. ............................................. 114
Figura 51 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering com sobreposição referente ao valor de MS da população final. ............. 115
Figura 52 - MSR do melhor bicluster para o Bagged Biclustering sem sobreposição nas
bases Arabidopsis, Brain_1, Brain_2, Breast_Colon e Lung. ........................................ 118
Figura 53 - MSR do melhor bicluster para o Bagged Biclustering sem sobreposição nas
bases Multitissue, Yeast, Artificial_2, Artificial_4 e Artificial_6. ..................................... 119
Figura 54 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering sem sobreposição referente ao valor de MSR do melhor bicluster. ......... 120
Figura 55 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering sem sobreposição referente ao valor médio de MSR da população final.
............................................................................................................................................. 120
Figura 56 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering sem sobreposição referente ao volume do melhor bicluster. .................... 121
Figura 57 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering sem sobreposição referente ao volume médio da população final........... 121
Figura 58 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering sem sobreposição referente à cobertura dos elementos........................... 122
Figura 59 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering sem sobreposição referente à sobreposição. ............................................. 122
Figura 60 - Comparação múltipla entre as diferentes configurações do Bagged
Biclustering sem sobreposição referente ao valor de MS da população final. ............. 123
Figura 61 - Ferramenta BiVisu. ......................................................................................... 150
Figura 62 - Ferramenta BiGGEsTS. ................................................................................. 150
Figura 63 - Ferramenta BicBox. ........................................................................................ 151
Figura 64 - Ferramenta BicAT. ......................................................................................... 151
Figura 65 - MSR do melhor bicluster para a base Artificial_2........................................ 236
Figura 66 - Volume do melhor bicluster para a base Artificial_2. .................................. 237
Figura 67 - MSR médio da população para a base Artificial_2...................................... 238
Figura 68 - Volume médio da população para a base Artificial_2. ................................ 239
Figura 69 - Tempo para a base Artificial_2...................................................................... 240
Figura 70 - Cobertura dos elementos para a base Artificial_2....................................... 241
XX
LISTA DE TABELAS
Tabela 35: Teste de Friedman (Fusão Direta sem sobreposição) ................................ 101
Tabela 36: Teste de Friedman sobre bases artificiais (Fusão Direta sem sobreposição)
............................................................................................................................................. 107
Tabela 37: Teste de Friedman (Bagged Biclustering com sobreposição) .................... 109
Tabela 38: Teste de Friedman sobre bases artificiais (Bagged Biclustering com
sobreposição) ..................................................................................................................... 115
Tabela 39: Teste de Friedman (Bagged Biclustering sem sobreposição) .................... 117
Tabela 40: Teste de Friedman sobre bases artificiais (Bagged Biclustering sem
sobreposição) ..................................................................................................................... 123
Tabela 41: Síntese dos Testes de Friedman com algoritmos multimodais e comitês . 125
Tabela 42: Teste de Friedman para os algoritmos ABC, BicACO e BIC-aiNet ............ 126
Tabela 43: Teste de Friedman para os algoritmos CDE, CGA e dFSS ........................ 127
Tabela 44: Teste de Friedman para os algoritmos FSGA, GSO e MHS....................... 128
Tabela 45: Teste de Friedman para os algoritmos NichePSO e SwarmBcluster......... 129
Tabela 46: Quantidade de vezes que um algoritmo isolado ou um dos comitês obteve
o melhor desempenho ....................................................................................................... 129
Tabela 47: Parâmetros do algoritmo GA.......................................................................... 153
Tabela 48: Parâmetros do algoritmo PSO ....................................................................... 153
Tabela 49: Parâmetros do algoritmo FSS........................................................................ 154
Tabela 50: Parâmetros do algoritmo DE .......................................................................... 154
Tabela 51: Parâmetros do algoritmo HS .......................................................................... 154
Tabela 52: Parâmetros do algoritmo FSGA..................................................................... 155
Tabela 53: Parâmetros do algoritmo CGA ....................................................................... 155
Tabela 54: Parâmetros do algoritmo CDE ....................................................................... 155
Tabela 55: Parâmetros do algoritmo NichePSO ............................................................. 156
Tabela 56: Parâmetros do algoritmo dFSS...................................................................... 156
Tabela 57: Parâmetros do algoritmo ABC ....................................................................... 156
Tabela 58: Parâmetros do algoritmo MHS....................................................................... 157
Tabela 59: Parâmetros do algoritmo BicACO ................................................................. 157
Tabela 60: Parâmetros do algoritmo GSO....................................................................... 157
Tabela 61: Parâmetros do algoritmo SwarmBcluster ..................................................... 157
Tabela 62: Parâmetros do algoritmo BIC-aiNet............................................................... 158
Tabela 63: Parâmetros dos comitês ................................................................................. 158
Tabela 64: Resultado dos algoritmos unimodais para Artificial_2 ................................. 159
Tabela 65: Resultado dos algoritmos unimodais para Artificial_4 ................................. 160
Tabela 66: Resultado dos algoritmos unimodais para Artificial_6 ................................. 161
Tabela 67: Resultado dos algoritmos unimodais para Arabidopsis............................... 162
Tabela 68: Resultado dos algoritmos unimodais para Brain_1 ..................................... 162
Tabela 69: Resultado dos algoritmos unimodais para Brain_2 ..................................... 163
Tabela 70: Resultado dos algoritmos unimodais para Breast_Colon ........................... 163
Tabela 71: Resultado dos algoritmos unimodais para Lung .......................................... 164
Tabela 72: Resultado dos algoritmos unimodais para Multitissue ................................. 164
Tabela 73: Resultado dos algoritmos unimodais para Yeast ......................................... 165
Tabela 74: Resultado dos algoritmos multimodais para Artificial_2 .............................. 166
Tabela 75: Resultado dos algoritmos multimodais para Artificial_4 .............................. 167
XXIII
Tabela 76: Resultado dos algoritmos multimodais para Artificial_6 .............................. 168
Tabela 77: Resultado dos algoritmos multimodais para Arabidopsis............................ 169
Tabela 78: Resultado dos algoritmos multimodais para Brain_1................................... 170
Tabela 79: Resultado dos algoritmos multimodais para Brain_2................................... 171
Tabela 80: Resultado dos algoritmos multimodais para Breast_Colon......................... 172
Tabela 81: Resultado dos algoritmos multimodais para Lung ....................................... 173
Tabela 82: Resultado dos algoritmos multimodais para Multitissue .............................. 174
Tabela 83: Resultado dos algoritmos multimodais para Yeast ...................................... 175
Tabela 84: Resultado da Fusão Direta com um algoritmo (com sobreposição) para
Artificial_2 ........................................................................................................................... 176
Tabela 85: Resultado da Fusão Direta com um algoritmo (com sobreposição) para
Artificial_4 ........................................................................................................................... 177
Tabela 86: Resultado da Fusão Direta com um algoritmo (com sobreposição) para
Artificial_6 ........................................................................................................................... 178
Tabela 87: Resultado da Fusão Direta com um algoritmo (com sobreposição) para
Arabidopsis ......................................................................................................................... 179
Tabela 88: Resultado da Fusão Direta com um algoritmo (com sobreposição) para
Brain_1 ................................................................................................................................ 180
Tabela 89: Resultado da Fusão Direta com um algoritmo (com sobreposição) para
Brain_2 ................................................................................................................................ 181
Tabela 90: Resultado da Fusão Direta com um algoritmo (com sobreposição) para
Breast_Colon ...................................................................................................................... 182
Tabela 91: Resultado da Fusão Direta com um algoritmo (com sobreposição) para
Lung..................................................................................................................................... 183
Tabela 92: Resultado da Fusão Direta com um algoritmo (com sobreposição) para
Multitissue ........................................................................................................................... 184
Tabela 93: Resultado da Fusão Direta com um algoritmo (com sobreposição) para
Yeast ................................................................................................................................... 185
Tabela 94: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para
Artificial_2 ........................................................................................................................... 186
Tabela 95: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para
Artificial_4 ........................................................................................................................... 187
Tabela 96: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para
Artificial_6 ........................................................................................................................... 188
Tabela 97: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para
Arabidopsis ......................................................................................................................... 189
Tabela 98: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para
Brain_1 ................................................................................................................................ 190
Tabela 99: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para
Brain_2 ................................................................................................................................ 191
Tabela 100: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para
Breast_Colon ...................................................................................................................... 192
Tabela 101: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para
Lung..................................................................................................................................... 193
Tabela 102: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para
Multitissue ........................................................................................................................... 194
XXIV
Tabela 103: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para
Yeast ................................................................................................................................... 195
Tabela 104: Resultado do Bagged Biclustering com um algoritmo (com sobreposição)
para Artificial_2 ................................................................................................................... 196
Tabela 105: Resultado do Bagged Biclustering com um algoritmo (com sobreposição)
para Artificial_4 ................................................................................................................... 197
Tabela 106: Resultado do Bagged Biclustering com um algoritmo (com sobreposição)
para Artificial_6 ................................................................................................................... 198
Tabela 107: Resultado do Bagged Biclustering com um algoritmo (com sobreposição)
para Arabidopsis ................................................................................................................ 199
Tabela 108: Resultado do Bagged Biclustering com um algoritmo (com sobreposição)
para Brain_1 ....................................................................................................................... 200
Tabela 109: Resultado do Bagged Biclustering com um algoritmo (com sobreposição)
para Brain_2 ....................................................................................................................... 201
Tabela 110: Resultado do Bagged Biclustering com um algoritmo (com sobreposição)
para Breast_Colon ............................................................................................................. 202
Tabela 111: Resultado do Bagged Biclustering com um algoritmo (com sobreposição)
para Lung ............................................................................................................................ 203
Tabela 112: Resultado do Bagged Biclustering com um algoritmo (com sobreposição)
para Multitissue .................................................................................................................. 204
Tabela 113: Resultado do Bagged Biclustering com um algoritmo (com sobreposição)
para Yeast........................................................................................................................... 205
Tabela 114: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição)
para Artificial_2 ................................................................................................................... 206
Tabela 115: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição)
para Artificial_4 ................................................................................................................... 207
Tabela 116: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição)
para Artificial_6 ................................................................................................................... 208
Tabela 117: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição)
para Arabidopsis ................................................................................................................ 209
Tabela 118: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição)
para Brain_1 ....................................................................................................................... 210
Tabela 119: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição)
para Brain_2 ....................................................................................................................... 211
Tabela 120: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição)
para Breast_Colon ............................................................................................................. 212
Tabela 121: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição)
para Lung ............................................................................................................................ 213
Tabela 122: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição)
para Multitissue .................................................................................................................. 214
Tabela 123: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição)
para Yeast........................................................................................................................... 215
Tabela 124: Resultado da Fusão Direta com 11 algoritmos para Artificial_2 ............... 216
Tabela 125: Resultado da Fusão Direta com 11 algoritmos para Artificial_4 ............... 216
Tabela 126: Resultado da Fusão Direta com 11 algoritmos para Artificial_6 ............... 217
Tabela 127: Resultado da Fusão Direta com 11 algoritmos para Arabidopsis ............ 217
XXV
Tabela 128: Resultado da Fusão Direta com 11 algoritmos para Brain_1 ................... 218
Tabela 129: Resultado da Fusão Direta com 11 algoritmos para Brain_2 ................... 218
Tabela 130: Resultado da Fusão Direta com 11 algoritmos para Breast_Colon ......... 219
Tabela 131: Resultado da Fusão Direta com 11 algoritmos para Lung ........................ 219
Tabela 132: Resultado da Fusão Direta com 11 algoritmos para Multitissue .............. 220
Tabela 133: Resultado da Fusão Direta com 11 algoritmos para Yeast....................... 220
Tabela 134: Resultado do Bagged Biclustering com 11 algoritmos para Artificial_2... 221
Tabela 135: Resultado do Bagged Biclustering com 11 algoritmos para Artificial_4... 222
Tabela 136: Resultado do Bagged Biclustering com 11 algoritmos para Artificial_6... 223
Tabela 137: Resultado do Bagged Biclustering com 11 algoritmos para Arabidopsis 223
Tabela 138: Resultado do Bagged Biclustering com 11 algoritmos para Brain_1 ....... 224
Tabela 139: Resultado do Bagged Biclustering com 11 algoritmos para Brain_2 ....... 224
Tabela 140: Resultado do Bagged Biclustering com 11 algoritmos para Breast_Colon
............................................................................................................................................. 225
Tabela 141: Resultado do Bagged Biclustering com 11 algoritmos para Lung ............ 225
Tabela 142: Resultado do Bagged Biclustering com 11 algoritmos para Multitissue .. 226
Tabela 143: Resultado do Bagged Biclustering com 11 algoritmos para Yeast........... 226
Tabela 144: Valores críticos baseados na Studentized range statistic divididos por
............................................................................................................................................. 227
Tabela 145: Teste de Nemenyi com bases artificiais (algoritmos multimodais)........... 228
Tabela 146: Teste de Nemenyi com bases artificiais (Fusão Direta com sobreposição)
............................................................................................................................................. 228
Tabela 147: Teste de Nemenyi com bases artificiais (Fusão Direta sem sobreposição)
............................................................................................................................................. 228
Tabela 148: Teste de Nemenyi com bases artificiais (Bagged Biclustering com
sobreposição) ..................................................................................................................... 228
Tabela 149: Teste de Nemenyi com bases artificiais (Bagged Biclustering sem
sobreposição) ..................................................................................................................... 228
Tabela 150: Teste de Nemenyi (algoritmos multimodais) .............................................. 229
Tabela 151: Teste de Nemenyi (Fusão Direta com sobreposição) ............................... 230
Tabela 152: Teste de Nemenyi (Fusão Direta sem sobreposição) ............................... 231
Tabela 153: Teste de Nemenyi (Bagged Biclustering com sobreposição) ................... 232
Tabela 154: Teste de Nemenyi (Bagged Biclustering sem sobreposição) ................... 233
XXVI
XXVII
1
2
Biclustering surge como uma alternativa para tratar essas limitações da tarefa de
clustering, já que (Cheng e Church 2000) (de França 2010): agrupa itens tomando como
base uma medida de similaridade que depende de um contexto, ou seja, um conjunto de
atributos, descobrindo não somente o agrupamento, mas também o contexto; permite
que linhas e colunas sejam incluídas em vários biclusters ao mesmo tempo; e provê um
modo de lidar com valores faltantes e medidas corrompidas, selecionando de forma
automática linhas e colunas com medidas mais coerentes e excluindo aquelas ruidosas.
A Figura 2, por sua vez, evidencia que é realmente possível existirem diferentes
biclusters de qualidade em uma matriz de dados, os quais correspondem a pontos
4
Com base no exposto acima, este trabalho apresenta dois objetivos gerais. O
primeiro é o de realizar um estudo comparativo experimental sistemático sobre a
aplicação de algoritmos bio-inspirados multimodais no tratamento do problema de
agrupamento bidimensional de dados, sendo analisados os seguintes algoritmos já
existentes na literatura1:
1
Embora existam traduções para o português, preferiu-se adotar, por uma questão de uniformidade e
estilo, a designação original desses algoritmos em inglês, ao longo deste texto.
6
7
8
Para fins de definição formal do problema, toma-se como base uma matriz de
dados genérica , contendo linhas e colunas, em que cada elemento é denotado por
, com ∈ {1, . . . , } sendo o índice da linha e ∈ {1, . . . , } sendo o índice da coluna.
Denominam-se = {1, . . . , } e = {1, . . . , } o conjunto de linhas e colunas,
respectivamente, da matriz , e ⊆ e ⊆ como subconjuntos das linhas e
colunas, sendo que = { , . . . , } é um subconjunto contendo ≤ linhas, com
∈ e ∈ {1, . . . , }, e = { , . . . , } é um subconjunto contendo ≤ colunas,
com ∈ e ∈ {1, . . . , }. Portanto, a matriz pode ser descrita como ( , ); a
submatriz de contendo apenas os elementos que tenham índices dentro dos
conjuntos e pode ser descrita como ( , ); um agrupamento de linhas pode ser
descrito como ( , ); e um agrupamento de colunas como ( , ) (Madeira e Oliveira
2004) (de França 2010).
2.2.1. Tipos
Figura 5 - Tipos de biclusters. (a) bicluster constante; (b) linhas constantes; (c) colunas
constantes; (d) valores coerentes (modelo aditivo); (e) valores coerentes (modelo multiplicativo);
(f) evolução global coerente; (g) evoluções coerentes nas linhas; (h) evoluções coerentes nas
colunas; (i) evoluções coerentes nas colunas; e (j) evoluções coerentes em linhas e colunas.
Fonte: (Madeira e Oliveira 2004, p. 26).
12
2.2.2. Estruturas
Figura 6 - Estrutura dos biclusters. (a) único; (b) exclusivos; (c) em xadrez; (d) linhas exclusivas;
(e) colunas exclusivas; (f) não-sobrepostos com estrutura em árvore; (g) não-sobrepostos e não-
exclusivos; (h) sobrepostos com estrutura hierárquica; e (i) sobrepostos e arbitrariamente
posicionados.
Fonte: (Ramalho 2006, p. 29).
2.2.4. Aplicações
2
Segundo Prelić et al. (2006).
17
∑ ∈
= | |
(1)
∑∈
= | |
(2)
∑∈,∈
= | || |
(3)
MSR(I, J) = | || |
∑∈, ∈ − − + (4)
MSR(i, J) = ∑ ∈ − − + (5)
| |
MSR(I, j ) = | |
∑∈ − − + (6)
serve para procurar os nós removidos nos passos anteriores e que, dado o estado atual
do bicluster, possam ser inseridos novamente, sem que haja aumento no valor de .
Após esses três passos, o algoritmo retorna um único bicluster que respeita a restrição
do valor do resíduo, enquanto maximiza o volume. Para encontrar os biclusters
subsequentes, os valores pertencentes ao bicluster encontrado são substituídos por
números aleatórios, introduzindo assim um ruído que direciona o algoritmo a buscar por
diferentes biclusters (Cheng e Church 2000) (de França 2010).
( , ) = | | ∙| | (7)
, se
∑ ,
, caso contrário
= | | ∙| |
(8)
| ∪ …∪ | ∙ | ∪ …∪ |
ℎ = | |∙| |
(9)
19
Remoção de nó único:
Calcule ( , )
Enquanto ( , )>
Remova a linha ou coluna que possui maior ( , ) ou ( , )
Calcule (, )
Fim enquanto
biclusters com pouca sobreposição. A Eq. (10) traz uma possível medida a ser adotada
para fins de avaliação, segundo esse critério:
| ∩ |∙| ∩ |
çã ( , )=
| |∙| |
. (10)
| ∩ | | ∩ |
( , )= (11)
| ∪ | | ∪ |
( , )= ∑ ∈ max ∈ ( , ) , (12)
| |
| ∩ |
( , )= ∑ ∈ max ∈ , (13)
| | | ∪ |
| ∩ |
( , )= ∑ ∈ max ∈ . (14)
| | | ∪ |
Além do MSR, mais recentemente outras medidas vêm sendo propostas para
avaliar a qualidade de biclusters, segundo o critério da coerência. Dentre elas, está a
medida Virtual Error ( ), proposta por Pontes et al. (2007). Enquanto o leva em
conta as similaridades numéricas de todos os elementos da submatriz, o tenta
capturar o comportamento (perfil) de variação das linhas, supondo que estas sejam mais
importantes que as colunas (algo verdadeiro, por exemplo, para dados de expressão
gênica). O uso do destina-se a revelar biclusters com valores coerentes, ao passo
que o uso do promove a descoberta de biclusters com evoluções coerentes.
= . (15)
′ = . (16)
′ = . (17)
Por fim, a medida Virtual Error é dada pela média das diferenças numéricas de
cada coluna e de cada padrão normalizados para cada linha:
( , )= ∑∈ , ∈ ′ − ′ . (18)
| || |
= . (19)
= . (20)
23
= . (21)
Por fim, o Transposed Virtual Error é dado pela média das diferenças numéricas
de cada linha e de cada padrão normalizados para cada coluna, como a seguir:
( , )= ∑∈, ∈ − . (22)
| || |
â ( , ) ∑ ( ̅ )( )
( , )= = . (23)
∙ ∙ ∙
( , ) = | | ∑ ∑ | ( , )| (24)
( , )= | | ∑ ∑ | ( , )| (25)
( , , )
( , )= ∑ log (26)
| | ( , )× ( , )
(, , , )
( , , )= ∑ (27)
| |
(, , )
(, )= ∑ (28)
| | √
(, , , )= ( , , )+ ( , , ) (29)
( , , )= − (30)
2.5. Conclusão
O termo heurística pode ser definido como sendo uma técnica inspirada em
processos intuitivos que procura uma boa solução a um custo computacional aceitável,
sem, no entanto, estar capacitada a garantir que a solução encontrada seja ótima. A
partir da década de 1980 intensificaram-se os estudos no sentido de se desenvolver
procedimentos heurísticos mais flexíveis, dando origem às meta-heurísticas (Souza
2008). As meta-heurísticas são procedimentos destinados a encontrar uma boa solução,
eventualmente a ótima, consistindo na aplicação de uma heurística subordinada, a qual
deve ser modelada para cada problema específico. As meta-heurísticas são de caráter
geral e providas de mecanismos para tentar escapar de ótimos locais ainda distantes dos
ótimos globais, através da combinação de componentes para exploração e
27
28
(do inglês Evolutionary Programming), que almeja a síntese de agentes adaptativos cujo
comportamento é modelado por máquinas de estado finito ou cadeias numéricas.
Inteligência Coletiva (do inglês Swarm Intelligence (SI)) é a área que estuda o
comportamento coletivo que emerge de grupos de agentes simples, tendo em vista a
síntese de modelos computacionais. Esse comportamento inteligente, capaz de resolver
problemas não-triviais, emerge da interação dos agentes, que se comunicam direta ou
indiretamente, atuando sobre o ambiente. Indivíduos de um enxame interagem para
alcançar um objetivo global trocando informação local, que se propaga para todo o
grupo. Assim, o problema pode ser resolvido de forma mais eficiente do que seria por
um único indivíduo (de Castro 2007) (Engelbrecht 2007).
Artificial Bee Colony, Biclustering Ant Colony Optimization, Density based Fish School
Search, Glowworm Swarm Optimization, Harmony Search, Niche based Particle
Swarm Optimization e Swarm Intelligence Biclustering. Exemplos de algoritmos de SI
aplicados ao problema de Biclustering podem ser encontrados em (de França et al.
2008) (de França 2010) (Menezes e Coelho 2011b) (Xie et al. 2007).
( )= (31)
ℯ
1, se > (0, 1)
′ = . (32)
0, caso contrário
apresentada por Holland (1975). De acordo com Mitchell (1996), GAs operam
transformando uma população de cromossomos em uma nova população, usando
seleção de indivíduos em conjunto com operadores genéticos que simulam
recombinação, mutação e mesmo inversão de cadeias genéticas. GAs são também
influenciados pelo princípio da Seleção Natural, segundo o qual, dada uma população,
indivíduos mais aptos têm mais chance de sobreviver e de gerar descendentes, enquanto
indivíduos menos adaptados tendem a desaparecer.
aquele que for mais adaptado (tiver um melhor valor de aptidão) será escolhido como o
primeiro pai. O segundo pai é escolhido da mesma forma. Outra abordagem é escolher
os dois pais de forma puramente aleatória.
A seleção por ranking pode ser utilizada em conjunto com a seleção através de
roleta para evitar a convergência prematura e a dominância de um superindivíduo. O seu
princípio consiste em ordenar todos os elementos de acordo com o valor de aptidão e
34
usar esse ranking como base da seleção, em vez de usar diretamente o valor de aptidão
(Linden 2006).
= +( − ) ∙ (33)
Figura 10 - Tipos de recombinação. (a) crossover de um único ponto; (b) crossover de dois pontos;
e (c) crossover de múltiplos pontos.
Fonte: (Weise 2009, p. 148).
Uma das maiores dificuldades referentes aos EAs padrões é a de controlar a sua
tendência à convergência prematura para soluções ótimas locais. O princípio mais
simples para diversificar o processo de busca é o uso de um operador de mutação, cujo
proposito é preservar a diversidade das soluções-candidatas através da introdução de
pequenas perturbações nas mesmas (Blum e Roli 2003) (Weise 2009) (Wu 2005). A
35
Figura 11 mostra tipos de mutação. A mutação ocorre para um dado gene, se for
maior que um número aleatório no intervalo [0, 1].
Figura 11 - Tipos de mutação. (a) mutação de um único gene; (b) e (c) mutação de múltiplos genes.
Fonte: (Weise 2009, p. 147).
Esses métodos são aplicados após a avaliação dos pais da população corrente e
antes do operador de seleção. São usados juntamente com um esquema de restrição de
cruzamento, cujo propósito é evitar o cruzamento entre indivíduos de nichos diferentes,
reduzindo a formação de indivíduos letais (Sareni e Krahenbuhl 1998).
′ = (34)
= ∑ ℎ( ) (35)
1− ⁄ , se <
ℎ = (36)
0, caso contrário
= ( )+ ( ( )− ( )) (37)
, se (0, 1) ≤
= (38)
( ), caso contrário
Cada partícula possui um conjunto de atributos, que são: sua posição atual ( ),
velocidade ( ), a melhor posição descoberta pela partícula até o momento ( )ea
melhor posição descoberta até o momento pelos seus vizinhos ( ou ).
Todas as partículas começam com sua velocidade e posição iniciadas com valores
aleatórios. A posição de uma partícula é ajustada adicionando uma velocidade à posição
atual. É o vetor da velocidade que guia o processo de busca, e reflete tanto a experiência
adquirida pela partícula quanto a informação trocada com a vizinhança da partícula.
( + 1) =
∙ ( )+ (0, 1) ( )− ( ) + (0, 1) ( )− ( )
(39)
Neste trabalho, uma versão binária do algoritmo gbest PSO foi usada. Nesse
caso, para uma partícula flutuando em um espaço de busca binário, sua posição deve
estar no intervalo [0, 1]. Para isso, a função sigmoide (∙) recebe como parâmetro a
velocidade da partícula para transformar a posição do espaço real para o espaço binário
(Xie et al. 2007) – vide Eqs. (31) e (40).
1, se ( + 1) > (0, 1)
( + 1) = (40)
0, caso contrário
( + 1) =
∙ ( )+ (0, 1) ( )− ( ) + (0, 1) ( )− ( )
(42)
= | − | (43)
( + 1) = ( )+ (−1, 1) ∙ (44)
Todos os peixes contêm uma memória inata de seu sucesso – seu peso.
Conforme proposto por Bastos Filho et al. (2009), a variação de peso dos peixes é
proporcional à diferença normalizada entre o valor de aptidão das posições anterior e
atual do peixe (vide Eq. (46)), objetivando-se modelar a diferença de concentração de
alimentos nesses locais. Se o peixe não encontrar uma posição melhor, o movimento
não ocorre ( = 0) e seu peso permanece constante (Madeiro 2010). Na Eq. (45),
( ( )) representa o valor de aptidão vinculado à posição (solução) do i-ésimo peixe
na iteração t.
44
Δ = ( ( + 1)) − ( ( )) (45)
∆
( + 1) = ( )+ (46)
(∆ )
∑ ∆ ∆
( )= (47)
∑ ∆
( + 1) = ( )+ ( ) (48)
∑ ( )
( )= (49)
∑ ( )
( ) ( )
( + 1) = ( )− ∙ (0, 1) , se o peso do cardume aumentou
‖ ( ) ( )‖
( ) ( )
(50)
( + 1) = ( )+ ∙ (0, 1) , caso contrário
‖ ( ) ( )‖
( )
( + 1) = ( ) − çõ
(51)
( + 1) = 2 ∙ ( + 1) (52)
O algoritmo Density based Fish School Search (dFSS), proposto por Madeiro
(2010), é uma extensão do algoritmo FSS que permite localizar e manter ao longo das
iterações do algoritmo múltiplos ótimos de um POFMM.
Δ = × ∑ ⇒ = (53)
( ) ∑
( )
= ( )
(54)
( , )= (55)
( )
∆
( + 1) = ( )+ ∑ (56)
( ) ∙∑
( )
∆
( + 1 ) = (1 − ) ∙ ( )+ (57)
( ) ∙ ∑
( )
∑ ∆
( )= (58)
∑
( + 1) = ( )+ () (59)
( + 1) = ∙ ( ) (61)
( ) ( )
= − ( ) ( )
∙ ( − ( ))
(62)
( )= ∙ (63)
∆
( )= ∑ (64)
( ) × ∑
( )
48
( + 1) = ( )+ 1− ( ) ∙( ( )− ( )) (65)
No ABC, o ciclo de busca por fontes de alimentos consiste em três passos: (1) o
envio de abelhas operárias para as fontes de comida e a avaliação da quantidade de
néctar nessas posições; (2) a seleção de fontes de comida pelas seguidoras, após
receberem informações das operárias; e (3) a determinação das fontes de comida
50
= + (−1, 1) ∙ ( − ) (66)
= ∑
(67)
Cada uma das formigas (número desejado de biclusters) começa com a matriz
53
[ ] ∙ [ ]
( )= , se ∈
∑ [ ] ∙ [ ] (68)
0, caso contrário
= + ( − ) (69)
= (70)
∑∈
( + 1) = ( 1 − ) ∙ ( )+ ∙ ( ) (71)
( ) ( )
( )= (73)
∑∈ ( ) ( ) ( )
( ) ( )
( + 1) = ( )+ ∙ (75)
= ( , se
) (0, 1) <
(76)
= (−1, 1), caso contrário
= + (−1, 1) (77)
Por fim, se houver melhora no valor de aptidão, a nova solução substitui a pior
solução na coleção . O pseudocódigo do HS é mostrado na Tabela 16.
No caso da abordagem multimodal, a nova solução irá substituir o pior dos seus
vizinhos, caso haja melhora no valor de aptidão. O conjunto de vizinhos de uma
solução envolve aqueles que estão a uma distância menor que um limiar . Já
denota um parâmetro que indica o número máximo desejado de vizinhos. O algoritmo
MHS é apresentado na Tabela 17.
Fim enquanto
60
uma sub-lista com todas as colunas. A lista de candidatos é atualizada de tal forma que,
para todas as linhas pertencentes a um bicluster encontrado, removem-se todas as
colunas contidas nele das respectivas sub-listas.
Inicie os biclusters e
Enquanto o critério de parada não for alcançado faça
Para cada formiga
Execute a heurística construtiva para gerar o bicluster
Atualize e
Fim para
Atualize o feromônio
Fim enquanto
O algoritmo ACO (Tabela 20) é então utilizado com essa heurística construtiva
para obter a ordem de inserção das linhas de forma probabilística e proporcional ao
feromônio referente à ordem da linha atual e à próxima linha a ser inserida.
Opcionalmente, uma informação heurística também pode ser utilizada para melhorar
a tomada de decisão de quais linhas inserir; em de França (2010), foi utilizada a
distância euclidiana entre as linhas da base de dados. O cálculo dos principais
parâmetros são dados nas Eqs. (78)-(80).
62
( + 1) = ( 1 − ) ∙ ( )+ ∙ ∆ (78)
( )
∑ ∈ , se ( , ) ∈
∆ = ( ) (79)
0, caso contrário
[ ] ∙ [ ]
( )= , se ∈
∑ [ ] ∙ [ ] (80)
0, caso contrário
O procedimento de busca local pode se tornar necessário, pois uma linha que
não seria apta a ser adicionada ao bicluster, em determinado momento, pode se tornar
apta com o conjunto de colunas do bicluster final. Da mesma forma, uma coluna que foi
removida, em certo momento, pode se tornar apta a ser adicionada à configuração final.
A saída do laço por causa do limite mínimo de colunas ocorre porque, ao atingir esse
mínimo, nenhuma operação de remoção de colunas poderá ser feita e, portanto, a busca
local é suficiente para inserir as linhas restantes (de França 2010) (Veroneze 2011).
Nesse algoritmo, existe uma restrição proibindo que dois ou mais biclusters se
sobreponham em uma taxa superior a um determinado limiar ( ),
combatendo assim a redundância. O algoritmo SwarmBcluster é mostrado na Tabela 18.
63
Se o melhor clone for melhor que o bicluster que o gerou, ele o substitui. Em
determinados momentos, ou seja, a cada iterações, também são realizados dois
processos para a manutenção da diversidade da população: a supressão de biclusters e a
inserção de novos biclusters.
| || |, se ( , )≤
( , )= (81)
( , )
, caso contrário
( , )
( , )= + _ (82)
( , )
( , )= + + _ + (83)
( , )
∑∈, ∈
( , )= (84)
| || |
∙ ∙
_ = | |
+ | |
(85)
0, se =0
= ∑∈ , ∈ ∑ ∈ , ∈ | ( )| (86)
, se ≥1
( , )= ( , )+ _ + (87)
( , ) = (1 − ( , )) + +| (88)
| | |
3.12. Conclusão
67
68
( , )=1− ( , ) (89)
Kaiser (2011) propôs uma abordagem muito similar à de Hanczar e Nadif (2010,
2011), segundo a qual também devem ser escolhidos o método de agrupamento para os
biclusters e a medida de similaridade na geração dos meta-clusters. Contudo, em vez de
se adotar apenas um algoritmo de agrupamento duplo sobre várias bases de dados
criadas por reamostragem, Kaiser (2011) propôs que um ou mais algoritmos sejam
aplicados sobre as bases usando diferentes configurações de seus parâmetros, sendo que
essas bases podem ser réplicas idênticas à original, ou criadas por reamostragem, ou
ainda conterem apenas uma parte das amostras originais (subamostragem).
1, ( , )≥
= (90)
0, á
1, ( , ) ≥ ( , ) ≥
= (91)
0, á
( , ) = | ( , )| (92)
( , ) = | ( , )| (93)
Nas Eqs. (90) a (93), , , e indicam vetores binários que contêm as linhas e
colunas pertencentes aos biclusters e , ao passo que , e denotam limiares
de similaridade pré-definidos.
( , )=1−( ( , ) ∙ ( , ) ) (94)
4.3. Conclusão
Neste estudo, foram utilizadas sete bases de dados reais de microarray (vide
Seção 2.2.4). A primeira base de dados é de uma pequena planta, conhecida como
Arabidopsis thaliana, e pode ser encontrada em:
<http://www.tik.ee.ethz.ch/~sop/bimax/>.
75
76
Já as três bases de dados artificiais são matrizes com valores aleatórios em que
foram incluídos alguns biclusters. Essas bases contêm 200 linhas, 100 colunas e
biclusters. Nas simulações conduzidas para este trabalho, adotou-se ∈ {2, 4, 6}. O
tamanho de cada bicluster foi escolhido aleatoriamente entre 20 a 40 linhas e 10 a 20
colunas. Os biclusters inseridos foram biclusters de valores coerentes, seguindo o
modelo aditivo, e sobrepostos com posicionamento arbitrário. O código de geração das
bases artificiais, implementado na linguagem R e utilizado em (Hanczar e Nadif 2010,
2011), foi fornecido pelo Prof. Blaise Hanczar.
A Tabela 26 traz uma síntese dos parâmetros de controle variados para cada
algoritmo unimodal, enquanto a Tabela 27 lista os parâmetros dos algoritmos
multimodais. Esses algoritmos têm os seguintes parâmetros em comum: (tamanho da
população); (número de iterações); e , para , função de fitness
escolhida neste trabalho para avaliar os biclusters – vide Seção 3.11. A condição de
parada foi atingir o número de iterações pré-determinado, com exceção do
77
população final, como calculado na Eq. (8); a cobertura de linhas e colunas, medida pela
Eq. (9); a taxa de sobreposição dos elementos considerando a população final (Eq.
(10)); o nível de similaridade da população final, medido pelo índice de Jaccard (Eq.
(11)); a iteração em que o melhor bicluster foi encontrado (não existe no algoritmo
SwarmBcluster e nos comitês); a quantidade de biclusters com < (não exibido
para os algoritmos unimodais, já que estes só reportam um bicluster); a taxa de sucesso
por encontrar pelo menos um δ-bicluster; e os valores de Virtual Error (Eq. (18)),
Transposed Virtual Error (Eq. (22)), Mutual Information (Eq. (25)) e correlação linear
(Eq. (24)) para o melhor bicluster. Para as bases artificiais, foram calculados: Match
Score (Eq. (12)), Row Match Score (Eq. (13)) e Column Match Score (Eq. (14)) para o
conjunto de biclusters com < e para a população final. O tempo computado
para os comitês foi o de gerar meta-clusters e realizar a etapa de consenso, ou seja, não
envolve o tempo de geração dos biclusters iniciais, uma vez que este pode ser analisado
nos experimentos com os algoritmos multimodais.
Testes de hipóteses podem ser empregados para fazer inferências sobre uma ou
mais populações de amostras de dados (Derrac et al. 2011). Para isso, duas hipóteses
são definidas: a hipótese nula e a hipótese alternativa . A hipótese nula é uma
afirmação de nenhum efeito ou nenhuma diferença, enquanto a hipótese alternativa
representa a presença de um efeito ou uma diferença, ou seja, diferenças significativas
entre os algoritmos. Ao aplicar um procedimento estatístico para rejeitar uma hipótese,
um nível de significância é utilizado para determinar em que nível a hipótese pode ser
rejeitada. Em vez de estabelecer a priori um nível de significância , é possível calcular
o menor nível de significância que resulta na rejeição de . Esta é a definição do
, que é a probabilidade de se obter um resultado pelo menos tão extremo quanto
o que foi realmente observado, assumindo que é verdadeira. O informa se o
resultado do teste de hipótese estatística é significativo ou não. Quanto menor o ,
há mais forte evidência contra (Derrac et al. 2011).
( )
= ∑ − (95)
( )
Iman e Davenport (1980) propuseram a estatística (vide Eq. (96)) como uma
derivação da estatística de Friedman, dado que esta produz um efeito conservador
indesejável. é distribuída de acordo com a distribuição F, apresentando ( − 1) e
81
( − 1)( − 1) graus de liberdade (Demšar 2006) (Derrac et al. 2011). Valores críticos
para as distribuições e F podem ser encontrados em Zar (1998) e Sheskin (2000).
( )
= ( )
(96)
( )
= (97)
Neste trabalho, para o teste de Nemenyi, adotou-se ∈ {0,01, 0,05, 0,1}. Para
os testes de Friedman e gráficos de comparação múltipla, adotou-se = 0,01. Os testes
de Nemenyi são exibidos no Apêndice D, da Tabela 145 à Tabela 154.
A taxa de sucesso dos algoritmos unimodais para todas as bases artificiais foi
igual a zero, enquanto, para as bases reais, foi de 100%, com exceção do algoritmo FSS
para a base Breast_Colon, que obteve taxa de sucesso igual a 95%. O valor de MS do
único bicluster reportado por esses algoritmos unimodais foi maior que o valor de MS
da população, com exceção do algoritmo HS na base Artificial_4. FSS obteve as piores
taxas de acerto (RMS, CMS e MS), enquanto PSO e GA obtiveram as melhores.
Figura 15 - Comparação múltipla entre os algoritmos unimodais referente aos valores de LC e MI.
A Figura 18 mostra que não houve diferença significativa com relação ao valor
de MSR do melhor bicluster entre o algoritmo SwarmBcluster e os algoritmos BIC-
aiNet, CDE, CGA, FSGA e NichePSO. Já a Figura 20 mostra que não houve diferença
significativa com relação ao volume do melhor bicluster entre o algoritmo FSGA e os
algoritmos ABC, BicACO, CDE, dFSS, CGA, GSO, MHS e NichePSO.
84
dFSS 7,2 5,6 9,2 5,4 6,5 3,7 3,4 6,8 6,4 6,3 6,8 5,3 5,8
CGA 6,1 4,7 3,9 5 8,4 10,1 11 11 11 5,2 7,7 5,6 6,2
FSGA 4,4 2,8 3,9 3,5 8,1 8,6 9,6 9,9 9,5 5 5,6 5,4 8
GSO 10,5 5,8 11 4 2,3 1 2,45 4,3 3,1 5,4 5 4,7 6,1
MHS 8,7 7,1 7,7 7,9 9,3 4,7 4,6 4,9 4,9 6,3 5,2 5,8 5,8
NichePSO 5,1 3,9 6,3 4,2 4,7 5,2 5,8 7,3 7 5,8 7 6,3 6,4
SwarmBcluster 1,2 10,3 1,1 8,1 6,2 8,3 6,2 3,4 5,5 6,1 2 9,4 5
Ff 63,83636 56,76364 91,78182 48,83636 81,74545 90,27273 73,30455 75,87273 74,83636 5,654545 22,34545 14,58182 9,781818
pvalue 7,37E-10 1,48E-08 7,48E-11 4,36E-07 5,14E-11 6,85E-11 4,58E-11 8,24E-11 4,65E-11 0,843404 0,013438 0,148068 0,459839
Ff
Rejeita H0 =
0,01 (23,2093) Sim Sim Sim Sim Sim Sim Sim Sim Sim Não Não Não Não
Fid 15,88688 11,81581 100,5133 8,590618 40,30279 83,52336 24,7136 28,30219 26,7659 0,53941 2,589792 1,536398 0,975816
pvalue 4,9E-16 9,66E-13 2,22E-44 1,06E-09 5,57E-29 4,09E-41 9,78E-22 1,18E-23 7,42E-23 0,857818 0,00832 0,139508 0,470054
Fid
Rejeita H0 =
0,01 (2,524) Sim Sim Sim Sim Sim Sim Sim Sim Sim Não Sim Não Não
85
Figura 16 - MSR do melhor bicluster para os algoritmos multimodais nas bases Arabidopsis, Brain_1, Brain_2, Breast_Colon e Lung.
86
Figura 17 - MSR do melhor bicluster para os algoritmos multimodais nas bases Multitissue, Yeast, Artificial_2, Artificial_4 e Artificial_6.
Figura 18 - Comparação múltipla entre os algoritmos multimodais referente ao valor de MSR do
melhor bicluster.
Figura 19 - Comparação múltipla entre os algoritmos multimodais referente ao valor médio de MSR
da população final.
87
88
Como se pode perceber na Tabela 33, os comitês que demandaram mais tempo
computacional utilizaram biclusters iniciais provenientes dos 11 algoritmos. Isso
ocorreu porque, mesmo sendo filtrados da população final, o número de biclusters
iniciais ainda foi maior que a quantidade usada para se chegar ao consenso quando os
biclusters foram produzidos por apenas um algoritmo. Deve-se notar também que o
volume médio dos biclusters finais gerados pelos algoritmos multimodais influenciou
diretamente no quesito eficiência. Enquanto os comitês sintetizados a partir dos
biclusters finais gerados por BIC-aiNet, SwarmBcluster, MHS e CDE (que
apresentaram, em geral, os menores volumes na população final) demandaram menor
dispêndio computacional, aqueles sintetizados a partir dos biclusters produzidos pelo
FSGA foram os mais custosos, ficando atrás apenas dos comitês criados a partir dos
biclusters produzidos por todos os 11 algoritmos.
obtidos via comitês que usaram os algoritmos CGA e CDE. Os maiores valores de
cobertura foram obtidos via comitês que utilizaram o algoritmo GSO, que apresentou as
piores taxas de correspondência de colunas e do bicluster completo, juntamente com os
comitês de Todos (J) e o comitê do BIC-aiNet. A Figura 29 mostra as diferenças entre
as médias dos valores de cobertura de elementos e a Figura 30 mostra as diferenças
entre as médias dos valores de sobreposição.
Nos algoritmos multimodais, a hipótese nula foi rejeitada para VE, MI e LC.
Nos comitês de Fusão Direta com sobreposição, a Tabela 33 mostra que os
comportamentos dos comitês usando diferentes algoritmos não são equivalentes quanto
às métricas VE, MI e LC. Existe equivalência no desempenho dos comitês somente em
relação a TVE.
CGA 9,2 7,1 3,6 7,1 7,8 11 11,4 12,5 11,9 7,4 7,3 5,4 5,9
FSGA 9,1 5 4,2 5 8,7 9,7 9 9,9 8,9 7,5 7,8 5,1 8,2
GSO 12,5 7,6 12,7 4,5 6,5 1,9 3,15 8,7 7,7 6,7 5,9 5 5,1
MHS 7,8 5,9 7 5,5 4,3 6,45 6,9 7,6 6,9 7,9 8,3 6,5 6,8
NichePSO 4,5 5,5 11,1 6,1 7,3 2,8 3,15 7,1 6,7 7,1 8,1 8,8 8,5
SwarmBcluster 3,5 5,3 7,5 11,4 2,2 11,3 10,9 2,1 4 11,3 6,2 7,4 6
Todos (J) 4,2 12 3,8 11,4 12,7 8,8 7,9 2,5 1,1 4,7 7,4 8,7 2,9
Todos (LC) 2,7 10,2 3,5 10,8 12,3 7,2 7,3 3,4 9,4 2,6 3,6 11,2 10,4
Ff 67,45055 69,86374 78,02637 82,58901 87,56044 95,67033 71,7956 94,68132 77,67033 35,81538 18,26374 27,95604 35,63077
pvalue 1,01E-09 3,87E-10 6,9E-11 8,57E-11 6,79E-11 6,76E-11 2,19E-10 8,28E-11 5,9E-11 0,000347 0,107914 0,005615 0,000371
Ff
Rejeita H0 =
0,01 (26,217) Sim Sim Sim Sim Sim Sim Sim Sim Sim Sim Não Sim Sim
Fid 11,55207 12,54129 16,73044 19,86852 24,29268 35,39024 13,4046 33,65625 16,51402 3,828947 1,615684 2,733524 3,800875
pvalue 1,3E-14 1,22E-15 1,42E-19 3,74E-22 2,25E-25 6,21E-32 1,67E-16 5,08E-31 2,19E-19 7,23E-05 0,097665 0,002863 7,94E-05
Fid
Rejeita H0 =
0,01 (2,37) Sim Sim Sim Sim Sim Sim Sim Sim Sim Sim Não Sim Sim
98
Figura 32 - MSR do melhor bicluster para a Fusão Direta com sobreposição nas bases Arabidopsis, Brain_1, Brain_2, Breast_Colon e Lung.
99
Figura 33 - MSR do melhor bicluster para a Fusão Direta com sobreposição nas bases Multitissue, Yeast, Artificial_2, Artificial_4 e Artificial_6.
Tabela 34: Teste de Friedman sobre bases artificiais (Fusão Direta com sobreposição)
Fusão Direta com sobreposição RMS CMS MS
ABC 5 6,666667 7
BicACO 4,333333 10 6,666667
BIC-aiNet 10 12 12
CDE 2,666667 3,666667 4,666667
dFSS
Ranking 7 8,666667 9,333333
CGA 3 5,333333 3,666667
FSGA 5,666667 4,666667 5,666667
GSO 7,666667 10,33333 10,66667
MHS 4 5,333333 5,666667
NichePSO 5,666667 8 9
SwarmBcluster 12 1 1,333333
Todos (J) 11 13 13
Todos (LC) 13 2,333333 2,333333
Ff 28,65934 32,61538 31,25275
Ff
Assim como para a Fusão Direta com sobreposição, o tempo de execução dos
comitês de Fusão Direta sem sobreposição com 11 algoritmos foi maior, seguido do
tempo demandando pelo comitê com FSGA. Já o tempo demandado pelos comitês com
SwarmBcluster e BIC-aiNet foi menor.
100
101
CGA 12,1 2,8 3,3 2,4 7,9 11 11,4 12,3 12,1 9,2 8,5 3,3 8,3
FSGA 11,1 3,4 5 5,8 8,9 9,6 9,9 8,2 9,1 7,8 8,7 3,9 7,6
GSO 8,8 6 7,8 4,2 5,8 1,65 3,35 8,6 7,4 7,9 6 5,7 6,1
MHS 4,3 8,8 10 6,3 4,3 5,6 5,55 8 4,2 4,95 6,45 10,35 7,55
NichePSO 5,1 8,4 8,1 6,1 7,6 3,2 3,35 7,7 5 7,2 7,6 8,7 5,7
SwarmBcluster 6,1 4,3 5,1 11,9 2,2 11,3 11 2,3 10,7 11,5 9,4 4,9 6
Todos (J) 4,9 11,2 4,8 9,3 12,7 9 8,3 4,7 1 5,9 7,3 6,4 4,6
Todos (LC) 3,5 8,8 5,2 10,6 12,3 8,1 7,7 3,5 10 3,2 4,3 10,5 9,9
Ff 57,08571 46,39121 54 79,74066 89,23516 99,95275 80,55495 79,81978 77,84176 34,01868 24,24066 55,88901 19,4011
pvalue 7,63E-08 5,94E-06 2,73E-07 7,98E-11 8,17E-11 7,44E-11 5,86E-11 8,33E-11 6,34E-11 0,00067 0,018861 1,25E-07 0,079298
Ff
Rejeita H0 =
0,01 (26,217) Sim Sim Sim Sim Sim Sim Sim Sim Sim Sim Não Sim Não
Fid 8,166213 5,672161 7,363636 17,82607 26,10502 44,87272 18,37986 17,8789 16,61777 3,560868 2,278273 7,845786 1,735704
pvalue 9,72E-11 1,74E-07 9,88E-10 1,66E-20 1,41E-26 2,22E-36 5,77E-21 1,5E-20 1,78E-19 0,000178 0,012763 2,43E-10 0,068894
Fid
Rejeita H0 =
0,01 (2,37) Sim Sim Sim Sim Sim Sim Sim Sim Sim Sim Não Sim Não
102
Figura 34 - MSR do melhor bicluster para a Fusão Direta sem sobreposição nas bases Arabidopsis, Brain_1, Brain_2, Breast_Colon e Lung.
103
Figura 35 - MSR do melhor bicluster para a Fusão Direta sem sobreposição nas bases Multitissue, Yeast, Artificial_2, Artificial_4 e Artificial_6.
Figura 36 - Comparação múltipla entre as diferentes configurações da Fusão Direta sem
sobreposição referente ao valor de MSR do melhor bicluster.
104
105
Tabela 36: Teste de Friedman sobre bases artificiais (Fusão Direta sem sobreposição)
Fusão Direta sem sobreposição RMS CMS MS
ABC 5 7,333333 7,333333
BicACO 2,333333 5 5
BIC-aiNet 9,333333 12 12
CDE 5 7,666667 7,666667
dFSS 8,333333 10 10
Ranking
Da Tabela 104 à Tabela 113 (com um algoritmo) e da Tabela 134 à Tabela 143
(com 11 algoritmos) são mostrados os experimentos computacionais de comitês com
bases de dados geradas por reamostragem (Bagged Biclustering) e com sobreposição.
Os testes de Friedman são exibidos na Tabela 38 e na Tabela 37.
CGA 8,7 7,3 3,5 6,9 7,8 11,1 11,3 12,9 12,4 6,1 7,6 6,7 5,6
FSGA 9 5,3 4 4,7 8,7 10 10 10,3 10,1 7,1 8,4 5,2 7,6
GSO 12,5 7,9 12,6 6 8,3 4,45 3,9 7,2 6,5 8 5,6 5,9 5,2
MHS 8,1 7 7 5,8 4,3 5,75 5,3 7,2 6,5 7,6 7,6 5,7 8,3
NichePSO 7,6 4,4 10,7 3,6 7,2 3,2 3,5 9,5 8,4 7,9 7,1 6,1 10,8
SwarmBcluster 2,8 4,3 7,8 10,7 2,3 9,5 10,1 3,4 3,6 10,7 7,6 8 5,8
Todos (J) 4 11,5 3,7 11,6 12,7 8,6 7,6 2 1,2 5,7 5,4 8,2 2,6
Todos (LC) 2,9 9,8 4,1 10,4 12,3 7,4 7,1 3,4 10,4 3,5 4 10,5 9,9
Ff 64,03516 71,15604 75,77143 79,38462 87,9033 73,54945 71,90769 97,49011 89,31429 24,81758 14,03077 17,36703 44,38681
pvalue 4,18E-09 2,42E-10 1,01E-10 6,61E-11 8,25E-11 1,11E-10 2,17E-10 8,63E-11 8,55E-11 0,015711 0,298748 0,136305 1,31E-05
Ff
Rejeita H0 =
0,01 (26,217) Sim Sim Sim Sim Sim Sim Sim Sim Sim Não Não Não Sim
Fid 10,29783 13,11123 15,4186 17,59091 24,64832 14,25053 13,45681 38,97891 26,19553 2,346633 1,191638 1,522935 5,283223
pvalue 3,04E-13 3,25E-16 2,07E-18 2,61E-20 1,29E-25 2,53E-17 1,48E-16 1,02E-33 1,23E-26 0,01023 0,298295 0,126826 6,01E-07
Fid
Rejeita H0 =
0,01 (2,37) Sim Sim Sim Sim Sim Sim Sim Sim Sim Não Não Não Sim
110
Figura 43 - MSR do melhor bicluster para o Bagged Biclustering com sobreposição nas bases Arabidopsis, Brain_1, Brain_2, Breast_Colon e Lung.
111
Figura 44 - MSR do melhor bicluster para o Bagged Biclustering com sobreposição nas bases Multitissue, Yeast, Artificial_2, Artificial_4 e Artificial_6.
Figura 45 - Comparação múltipla entre as diferentes configurações do Bagged Biclustering com
sobreposição referente ao valor de MSR do melhor bicluster.
112
113
Tabela 38: Teste de Friedman sobre bases artificiais (Bagged Biclustering com sobreposição)
Bagged Biclustering com
sobreposição RMS CMS MS
ABC 8 7,666667 7,666667
BicACO 5 9 8
BIC-aiNet 10 12 12
CDE 4 4,666667 5
dFSS 6,666667 8 8
Ranking
CGA 1 3,333333 3
FSGA 4 4 4,666667
GSO 3,666667 11 11
MHS 5 5,666667 6
NichePSO 7,666667 9,333333 9,666667
SwarmBcluster 12 1 1
Todos (J) 11 13 13
Todos (LC) 13 2,333333 2
Ff 31,78022 34,68132 34,41758
Ff
boas médias de MSR e, porém, os menores volumes (Tabela 37). Comitês usando o
algoritmo GSO obtiveram os piores valores de MSR, taxa de sucesso e quantidade de -
biclusters. Esses fatos podem ser observados nas Figuras 45 a 48. A Figura 43 e a
Figura 44 mostram a variação do MSR do melhor bicluster.
CGA 12,3 2,5 3,3 1,4 7,8 11,1 11,3 13 12 7,8 8,6 3,9 8,8
FSGA 10,9 2,9 4,3 3,2 8,9 10 10,2 11 9 9 9,2 4,6 7,2
GSO 7,6 8,4 8,3 6,3 8,4 2,8 3,8 6,7 8,5 6,4 5,3 4,3 7,9
MHS 4,2 9,15 8,5 5,2 3,9 5,8 5,55 9,2 3,5 6,4 7,2 10,8 6,4
NichePSO 6 9,3 9,7 6,6 6,4 2,6 3,8 7,5 6,8 7,5 8 7,4 5,8
SwarmBcluster 5,2 3,85 6,6 10 2,3 10,1 10,5 4,9 10,8 11,2 8,6 5,4 6,7
Todos (J) 6,8 11 4,7 11,7 12,7 9,4 8,1 2,5 1,1 4,9 5,9 7,3 2,6
Todos (LC) 2,8 7,8 4,8 9,6 12,3 9 7,45 4 11 3,8 3,9 11,7 10,1
Ff 56,16264 62,87802 49,16044 80,67692 90,03956 98,03077 79,10769 80,04396 96,35604 27,92967 25,88571 47,72308 27,2044
pvalue 1,12E-07 6,74E-09 1,96E-06 6,27E-11 6,02E-11 5,54E-11 5,74E-11 4,47E-11 4,67E-11 0,005665 0,011141 3,49E-06 0,00722
Ff
Rejeita H0 =
0,01 (26,217) Sim Sim Sim Sim Sim Sim Sim Sim Sim Sim Não Sim Sim
Fid 7,917992 9,906908 6,245719 18,46479 27,04754 40,15966 17,41084 18,0297 36,67764 2,730163 2,47541 5,942529 2,638482
pvalue 1,97E-10 8,4E-13 2,88E-08 4,92E-21 3,52E-27 2,83E-34 3,7E-20 1,12E-20 1,37E-32 0,002896 0,00672 7,41E-08 0,003926
Fid
Rejeita H0 =
0,01 (2,37) Sim Sim Sim Sim Sim Sim Sim Sim Sim Sim Sim Sim Sim
118
Figura 52 - MSR do melhor bicluster para o Bagged Biclustering sem sobreposição nas bases Arabidopsis, Brain_1, Brain_2, Breast_Colon e Lung.
119
Figura 53 - MSR do melhor bicluster para o Bagged Biclustering sem sobreposição nas bases Multitissue, Yeast, Artificial_2, Artificial_4 e Artificial_6.
Figura 54 - Comparação múltipla entre as diferentes configurações do Bagged Biclustering sem
sobreposição referente ao valor de MSR do melhor bicluster.
120
121
Tabela 40: Teste de Friedman sobre bases artificiais (Bagged Biclustering sem sobreposição)
Bagged Biclustering sem
sobreposição RMS CMS MS
ABC 6,666667 8,666667 9
BicACO 2,333333 4 4
BIC-aiNet 9,666667 12 12
CDE 4 5,333333 5,333333
dFSS 8 10 10
Ranking
CGA 1 3 2,666667
FSGA 2,666667 7,666667 6,333333
GSO 9,333333 6,666667 7,333333
MHS 5 7,333333 7,333333
NichePSO 6,333333 10,33333 10,66667
SwarmBcluster 12 1 1,666667
Todos (J) 11 13 13
Todos (LC) 13 2 1,666667
Ff 35,73626 34,28571 34,72527
Ff
valores de sobreposição quanto aos valores do índice de Jaccard. O comitê que utilizou
NichePSO ficou com os melhores valores de cobertura de elementos e o que utilizou
BIC-aiNet, com os melhores valores de sobreposição.
A partir dos resultados apresentados nas seções anteriores, pode-se concluir que
os comitês são bem mais custosos do que os algoritmos multimodais, uma vez que é
necessário computar os biclusters iniciais e, a partir destes, gerar um consenso.
Tabela 41: Síntese dos Testes de Friedman com algoritmos multimodais e comitês
Multimodais FDO FDNO BO BNO
melhor pior melhor pior melhor pior melhor pior melhor pior
MSR SwarmBcluster GSO Todos(LC) GSO Todos(LC) CGA SwarmBcluster GSO Todos(LC) CGA
(melhor)
Volume FSGA BIC-aiNet BicACO Todos(J) CGA Todos(J) BicACO BIC-aiNet CGA Todos(J)
(melhor)
MSR SwarmBcluster GSO Todos(LC) GSO CGA ABC CGA GSO CGA NichePSO
(média)
Volume FSGA BIC-aiNet CDE BIC-aiNet CGA SwarmBcluster CDE BIC-aiNet CGA BIC-aiNet
(média)
Tempo BIC-aiNet BicACO BIC-aiNet Todos(J) BIC-aiNet Todos(J) BIC-aiNet Todos(J) BIC-aiNet Todos(J)
Cobertura GSO BIC-aiNet GSO BIC-aiNet GSO BIC-aiNet dFSS BIC-aiNet NichePSO BIC-aiNet
Elementos
Cobertura ABC, MHS CGA dFSS, GSO, CGA ABC, dFSS, CGA dFSS, CGA dFSS CGA
Linhas e NichePSO GSO, NichePSO
Colunas NichePSO
Sobreposição BIC-aiNet CGA BIC-aiNet CGA SwarmBcluster CGA BIC-aiNet CGA BIC-aiNet CGA
Jaccard BIC-aiNet CGA Todos(J) CGA Todos(J) CGA Todos(J) CGA Todos(J) CGA
VE FSGA BicACO Todos(LC) SwarmBcluster Todos(LC) SwarmBcluster Todos(LC) SwarmBcluster Todos(LC) SwarmBcluster
TVE SwarmBcluster CGA Todos(LC) CDE ABC SwarmBcluster Todos(LC) CDE ABC FSGA
MI GSO SwarmBcluster BicACO, Todos(LC) CGA Todos(LC) FSGA Todos(LC) CGA Todos(LC)
GSO
LC CDE FSGA Todos(J) Todos(LC) Todos(J) Todos(LC) Todos(J) NichePSO Todos(J) Todos(LC)
MS SwarmBcluster BIC-aiNet SwarmBcluster Todos(J) SwarmBcluster Todos(J) SwarmBcluster Todos(J) SwarmBcluster Todos(J)
RMS CGA SwarmBcluster CDE Todos(LC) CGA Todos(LC) CGA Todos(LC) CGA Todos(LC)
CMS SwarmBcluster BIC-aiNet SwarmBcluster Todos(J) SwarmBcluster Todos(J) SwarmBcluster Todos(J) SwarmBcluster Todos(J)
126
Ff 16,08 31,28 2,16 29,36 7,98 11,08 34 34,24 5,68 8,96 14,56 3,76 12 12 11,46667
pvalue 0,002914 2,68E-06 0,706359 6,61E-06 0,092314 0,025679 7,45E-07 6,65E-07 0,224355 0,062107 0,005706 0,43946 0,017351 0,017351 0,021791
Rejeita Sim Sim Não Sim Não Não Sim Sim Não Não Sim Não Não Não Não
Fid 6,050167 32,2844 0,513742 24,83459 2,242973 3,448133 51 53,5 1,48951 2,597938 5,150943 0,933775 ∞ ∞ 43
pvalue 0,000788 1,86E-11 0,726018 6,32E-10 0,083639 0,017443 2,41E-14 1,16E-14 0,225805 0,05239 0,002189 0,455389 0 0 1,88E-05
Rejeita Sim Sim Não Sim Não Não Sim Sim Não Não Sim Não Sim Sim Sim
BicACO 3,3 2,4 2,8 2,8 3,6 3,9 4,1 4,3 3,8 3,5 2,6 2,6 1 3 2,333333
BNO 2 4,3 3,2 3,9 3,15 3,2 2 1,9 1,9 2,8 3,7 2,7 5 4 4
BO 3,4 2,5 3,1 2,4 3,05 3,3 3,4 3,3 3,3 3,6 2,4 3,1 3 2 2,333333
FDNO 1,8 4,1 4,1 4,5 2,9 2,35 1 1,1 2,3 1,7 4,3 3,4 4 5 5
BicACO
FDO 4,5 1,7 1,8 1,4 2,3 2,25 4,5 4,4 3,7 3,4 2 3,2 2 1 1,333333
Ff 19,76 20,8 10,96 24,08 3,54 7,7 34,48 34,24 11,68 10 14,8 1,84 12 12 10,4
pvalue 0,000557 0,000347 0,027017 7,7E-05 0,471822 0,103207 5,94E-07 6,65E-07 0,019896 0,040428 0,005135 0,765157 0,017351 0,017351 0,034203
Rejeita Sim Sim Não Sim Não Não Sim Sim Não Não Sim Não Não Não Não
Fid 8,786561 9,75 3,396694 13,61307 0,873834 2,145511 56,21739 53,5 3,711864 3 5,285714 0,433962 ∞ ∞ 13
pvalue 4,68E-05 1,9E-05 0,018623 7,43E-07 0,489128 0,095145 5,44E-15 1,16E-14 0,0125 0,031007 0,001872 0,783154 0 0 0,001412
Rejeita Sim Sim Não Sim Não Não Sim Sim Não Não Sim Não Sim Sim Sim
BIC-aiNet 3 3,4 2,6 4,2 4,6 3,4 1,4 3,8 3,1 3,2 2,6 3,8 5 1 1
BNO 2,8 3,75 3,1 3,8 3,7 3,7 3,4 2,7 2,3 2,7 4,1 3 3,333333 4,333333 4,333333
BO 2,8 3,15 3,1 2,8 2,7 3,7 4,7 3,7 2,2 2,8 4,1 3 2,333333 3,333333 3,333333
FDNO 3,3 2,7 3,2 2,6 2,5 2,1 2,1 1,9 3,7 3,5 2,1 2,3 2,666667 3,666667 3,666667
BIC-aiNet
FDO 3,1 2 3 1,6 1,5 2,1 3,4 2,9 3,7 2,8 2,1 2,9 1,666667 2,666667 2,666667
Ff 0,72 7,34 0,88 16,96 22,56 11,04 26,32 9,76 8,48 1,84 16,8 4,56 7,733333 7,733333 7,733333
pvalue 0,94884 0,118975 0,927412 0,001968 0,000155 0,026118 2,73E-05 0,04467 0,075496 0,765157 0,002114 0,335492 0,10185 0,10185 0,10185
Rejeita Não Não Não Sim Sim Não Sim Não Não Não Sim Não Não Não Não
Fid 0,164969 2,022658 0,202454 6,625 11,6422 3,430939 17,31579 2,904762 2,42132 0,433962 6,517241 1,158014 3,625 3,625 3,625
pvalue 0,954761 0,111939 0,935373 0,00042 3,62E-06 0,017829 5,26E-08 0,035087 0,066093 0,783154 0,000472 0,345455 0,05718 0,05718 0,05718
Rejeita Não Não Não Sim Sim Não Sim Não Não Não Sim Não Não Não Não
127
Ff 21,04 30,96 1,92 28,24 11,12 8,08 37,36 36,16 5,68 5,68 21,2 7,6 11,46667 10,4 10,66667
pvalue 0,000311 3,12E-06 0,75047 1,12E-05 0,025248 0,088691 1,52E-07 2,68E-07 0,224355 0,224355 0,000289 0,10738 0,021791 0,034203 0,030577
Rejeita Sim Sim Não Sim Não Não Sim Sim Não Não Sim Não Não Não Não
Fid 9,987342 30,82301 0,453782 21,61224 3,465374 2,278195 127,3636 84,75 1,48951 1,48951 10,14894 2,111111 43 13 16
pvalue 1,53E-05 3,53E-11 0,768973 3,69E-09 0,017065 0,079835 1,01E-20 8,28E-18 0,225805 0,225805 1,32E-05 0,099576 1,88E-05 0,001412 0,000694
Rejeita Sim Sim Não Sim Não Não Sim Sim Não Não Sim Não Sim Sim Sim
CGA 3 3 3 3 4,6 5 5 5 2,9 3,2 3,4 3,2 1 1 1
BNO 3,8 4,4 4,4 4,1 1,8 1,5 1 1 2,6 2,9 2,7 2,8 4 3,666667 3,666667
BO 3 3,6 3,4 3,8 1,8 1,5 3 3 2,7 2,9 3,1 3,2 5 3,333333 4
FDNO 2,95 2,25 2,7 2,2 3,4 3,5 2 2 3,35 2,95 2,85 2,55 2,333333 4 3
FDO 2,25 1,75 1,5 1,9 3,4 3,5 4 4 3,45 3,05 2,95 3,25 2,666667 3 3,333333
CGA
Ff 4,82 17,78 17,84 14,8 23,04 36 40 40 2,34 0,26 1,14 1,54 11,46667 6,666667 6,666667
pvalue 0,30627 0,001362 0,001326 0,005135 0,000124 2,89E-07 4,33E-08 4,33E-08 0,673496 0,992248 0,887875 0,819533 0,021791 0,154587 0,154587
Rejeita Não Sim Sim Sim Sim Sim Sim Sim Não Não Não Não Não Não Não
Fid 1,233087 7,20162 7,245487 5,285714 12,22642 81 ∞ ∞ 0,559214 0,058883 0,264025 0,360374 43 2,5 2,5
pvalue 0,314172 0,000228 0,000218 0,001872 2,23E-06 1,72E-17 0 0 0,693673 0,993287 0,899103 0,835111 1,88E-05 0,125726 0,125726
Rejeita Não Sim Sim Sim Sim Sim Sim Sim Não Não Não Não Sim Não Não
dFSS 3 2,5 3 2,7 4 3,2 4,2 4,3 3,4 3 3,1 3,1 1,666667 3 3
BNO 1,8 4,7 3,3 5 3 3,35 1 1,2 3,1 2,8 3,1 2,6 4,666667 4 4
BO 4 2 2,8 2,4 3,85 4,05 3,7 3,9 2,4 3,4 2,6 4,2 3 2 1,666667
FDNO 2,4 4 3,2 3,6 2,2 2,2 2,1 1,8 2,6 2,5 3,7 1,5 4,333333 5 5
FDO 3,8 1,8 2,7 1,3 1,95 2,2 4 3,8 3,5 3,3 2,5 3,6 1,333333 1 1,333333
dFSS
Ff 13,76 26,32 1,04 30,8 13,86 10,18 30,96 31,28 3,76 2,16 3,68 16,88 10,93333 12 11,46667
pvalue 0,008102 2,73E-05 0,903671 3,36E-06 0,007756 0,037502 3,12E-06 2,68E-06 0,43946 0,706359 0,451041 0,00204 0,027324 0,017351 0,021791
Rejeita Sim Sim Não Sim Sim Não Sim Sim Não Não Não Sim Não Não Não
Fid 4,719512 17,31579 0,240246 30,13043 4,771997 3,072435 30,82301 32,2844 0,933775 0,513742 0,911894 6,570934 20,5 1,8E+308 43
pvalue 0,00364 5,26E-08 0,913666 4,82E-11 0,00342 0,028234 3,53E-11 1,86E-11 0,455389 0,726018 0,467491 0,000446 0,00029 0 1,88E-05
Rejeita Sim Sim Não Sim Sim Não Sim Sim Não Não Não Sim Sim Sim Sim
128
Ff 7,76 18,32 2,56 21,52 22,3 21,64 38,32 38 3,44 2,96 1,6 12,32 11,46667 11,46667 9,333333
pvalue 0,100776 0,001068 0,633925 0,00025 0,000175 0,000236 9,63E-08 1,12E-07 0,48706 0,564541 0,808792 0,015124 0,021791 0,021791 0,053287
Rejeita Não Sim Não Sim Sim Sim Sim Sim Não Não Não Não Não Não Não
Fid 2,166253 7,605166 0,615385 10,48052 11,33898 10,60784 205,2857 171 0,846827 0,719222 0,375 4,00578 43 43 7
pvalue 0,09257 0,000151 0,654346 9,82E-06 4,67E-06 8,78E-06 3,02E-24 6,9E-23 0,50493 0,584422 0,824918 0,008665 1,88E-05 1,88E-05 0,010026
Rejeita Não Sim Não Sim Sim Sim Sim Sim Não Não Não Sim Sim Sim Não
GSO 3 2,2 3 2,7 2,85 2,35 3,9 3,9 2,9 3,1 3 3,3 3 4 3,333333
BNO 1,6 4,7 1,8 5 3,2 3,7 1 1,7 2,3 2,6 3 3,1 5 5 5
BO 3,6 2,8 3,4 2,7 4,1 4,25 3 3,1 3,6 2,9 2,6 2,9 2 2,666667 2
FDNO 2,4 3,6 2,4 3 2,65 2,35 2,6 1,8 2,9 2,6 4 2,1 4 2,333333 3,666667
FDO 4,4 1,7 4,4 1,6 2,2 2,35 4,5 4,5 3,3 3,8 2,4 3,6 1 1 1
GSO
Ff 18,56 22,48 15,68 24,56 8,14 13,28 28,88 24,8 3,84 3,92 6,08 5,12 12 11,46667 11,46667
pvalue 0,000959 0,000161 0,00348 6,17E-05 0,086582 0,009986 8,27E-06 5,52E-05 0,428092 0,416941 0,193253 0,275205 0,017351 0,021791 0,021791
Rejeita Sim Sim Sim Sim Não Sim Sim Sim Não Não Não Não Não Não Não
Fid 7,791045 11,54795 5,802632 14,31606 2,299435 4,473054 23,3741 14,68421 0,955752 0,977827 1,613208 1,321101 1,8E+308 43 43
pvalue 0,000125 3,91E-06 0,001038 4,36E-07 0,077626 0,004893 1,38E-09 3,32E-07 0,443482 0,431773 0,192102 0,280761 0 1,88E-05 1,88E-05
Rejeita Sim Sim Sim Sim Não Sim Sim Sim Não Não Não Não Sim Sim Sim
MHS 3,2 2,2 2,8 2,9 2,9 2,75 3,4 3,8 3,5 3,4 2,5 2,9 2 3 3
BNO 2,4 4,4 2,9 4,9 3,3 2,85 1 1,3 2,5 3 3,7 2,4 5 4 4
BO 4 2,3 2,9 2,4 3,75 3,25 4 3,5 3,5 3,1 1,7 3,6 3 2 2
FDNO 1,4 4,6 3,7 3,3 2,1 2,3 2 1,7 1,8 2 4,9 3,1 4 5 5
FDO 4 1,5 2,7 1,5 2,95 3,85 4,6 4,7 3,7 3,5 2,2 3 1 1 1
MHS
Ff 19,84 31,6 2,56 25,28 5,9 5,44 34,88 33,44 10,72 5,68 26,72 2,96 12 12 12
pvalue 0,000537 2,31E-06 0,633925 4,42E-05 0,206742 0,245054 4,92E-07 9,71E-07 0,029898 0,224355 2,26E-05 0,564541 0,017351 0,017351 0,017351
Rejeita Sim Sim Não Sim Não Não Sim Sim Não Não Sim Não Não Não Não
Fid 8,857143 33,85714 0,615385 15,45652 1,557185 1,416667 61,3125 45,87805 3,295082 1,48951 18,10843 0,719222 ∞ ∞ ∞
pvalue 4,37E-05 9,6E-12 0,654346 1,9E-07 0,206722 0,248207 1,42E-15 1,18E-13 0,021204 0,225805 3,13E-08 0,584422 0 0 0
Rejeita Sim Sim Não Sim Não Não Sim Sim Não Não Sim Não Sim Sim Sim
129
FDO 3 1,9 2,7 1,7 1,65 1,75 3,8 3,9 3,4 3,5 2,8 3,7 2 2 2
Ff 10,64 28,96 1,84 30,32 21,34 23,08 31,68 32,96 3,76 2,72 10,16 16,08 12 12 12
pvalue 0,030922 7,97E-06 0,765157 4,21E-06 0,000271 0,000122 2,22E-06 1,22E-06 0,43946 0,605719 0,037817 0,002914 0,017351 0,017351 0,017351
Rejeita Não Sim Não Sim Sim Sim Sim Sim Não Não Não Sim Não Não Não
Fid 3,26158 23,6087 0,433962 28,19008 10,2926 12,2766 34,26923 42,13636 0,933775 0,656652 3,064343 6,050167 ∞ ∞ ∞
pvalue 0,022134 1,21E-09 0,783154 1,19E-10 1,16E-05 2,14E-06 8,1E-12 4,16E-13 0,455389 0,626068 0,028531 0,000788 0 0 0
Rejeita Não Sim Não Sim Sim Sim Sim Sim Não Não Não Sim Sim Sim Sim
SwarmBcluster 1,8 4,2 2,6 2,5 2,8 2,4 3,7 4,3 1,8 1,7 3,5 3 5 2 2,333333
BNO 3,5 3,8 4,5 3,1 2,7 2,35 3,1 1,7 3,2 3,4 1,9 2,8 1,833333 4,666667 4,666667
BO 3,8 2,5 3,5 1,4 1,7 2,25 4,2 2,5 3,2 3,4 2,8 3,1 1,166667 3 2,333333
SwarmBcluster
FDNO 2,7 2,5 2,45 4,65 4,25 4 1,35 2,65 3,35 3,45 3,4 2,8 3,666667 3,5 3,833333
FDO 3,2 2 1,95 3,35 3,55 4 2,65 3,85 3,45 3,05 3,4 3,3 3,333333 1,833333 1,833333
Ff 9,84 14,32 16,26 22,66 14,74 13,38 19,14 17,9 7,38 8,86 7,28 0,72 11,13333 6,466667 6,866667
pvalue 0,043211 0,006341 0,002689 0,000148 0,005272 0,009561 0,000738 0,001291 0,117119 0,064696 0,121811 0,94884 0,025106 0,166903 0,143104
Rejeita Não Sim Sim Sim Sim Sim Sim Sim Não Não Não Não Não Não Não
Fid 2,93634 5,018692 6,16428 11,76125 5,251781 4,523666 8,25791 7,289593 2,036174 2,560694 2,002445 0,164969 25,69231 2,337349 2,675325
pvalue 0,033676 0,002555 0,000694 3,27E-06 0,001947 0,004603 7,82E-05 0,000208 0,109955 0,055017 0,114973 0,954761 0,000128 0,142659 0,110134
Rejeita Não Sim Sim Sim Sim Sim Sim Sim Não Não Não Não Sim Não Não
Tabela 46: Quantidade de vezes que um algoritmo isolado ou um dos comitês obteve o melhor desempenho
Cobertura
MSR Volume MSR Volume Cobertura Linhas e Sobreposi-
(melhor) (melhor) (média) (média) Elementos Colunas ção Jaccard VE TVE MI LC RMS CMS MS Total
Algoritmo isolado 1 0 3 0 0 2 1 0 2 1 0 1 5 3 4 23
BNO 3 0 2 0 1 1 8 8 3 4 2 5 0 0 0 37
BO 1 1 1 1 2 3 0 0 2 1 5 0 1 0 0 18
FDNO 6 0 0 0 2 7 2 4 4 7 1 6 0 0 0 39
FDO 1 11 7 10 7 5 0 0 0 0 4 0 5 8 7 65
130
A Fusão Direta com sobreposição foi melhor em relação aos valores de MSR,
volume, MS e CMS da população final, volume do melhor bicluster e cobertura de
elementos. Além disso, obteve um empate com os algoritmos multimodais para a
métrica RMS. Já a Fusão Direta sem sobreposição foi melhor em relação aos valores de
MSR do melhor bicluster, VE, TVE, LC, cobertura de linhas e colunas e taxa de
sucesso. Os melhores valores de MI foram apresentados por Bagged Biclustering com
sobreposição. E os valores de sobreposição, índice de Jaccard e quantidade de -
biclusters foram melhores com o algoritmo Bagged Biclustering sem sobreposição.
5.8. Conclusão
133
134
6.1. Síntese
MI para uma base de tamanho 3.213.168 foi de 1,6 horas, ao passo que o tempo exigido
pelo ARACNE foi de aproximadamente 142 horas.
Quanto aos algoritmos multimodais utilizados neste estudo que lidam com um
espaço de busca contínuo, pretende-se avaliar a customização dos respectivos
operadores para lidar com o espaço de busca binário e investigar o desempenho desses
algoritmos quando aplicados diretamente no problema de biclustering.
multimodais, seria realizada uma etapa de seleção dos biclusters que efetivamente iriam
ser agregados em meta-clusters. Esse processo é justificado, uma vez que nem todos os
componentes gerados contribuem para o desempenho global do comitê, sendo
recomendável identificar e descartar tais componentes para melhorar o desempenho do
comitê final (Zhou et al. 2002).
Barkow, S. et al. “BicAT: a biclustering analysis toolbox.” Bioinformatics 22(10), 2006: 1282-
1283.
Bastos, C. J. A. et al. “Fish School Search.” In: Nature-Inspired Algorithms for Optimisation,
Studies in Computational Intelligence 193, por R. Chiong, 261-277. Springer, 2009.
Ben-Dor, A. et al. “Discovering local structure in gene expression data: the order-preserving
submatrix problem.” Proc. of the 6th Annual International Conference on
Computational Biology, 2002: 49-57.
Bhattacharjee, A., et al. “Classification of human lung carcinomas by mRNA expression profiling
reveals distinct adenocarcinoma subclasses.” Proc. of the National Academy of
Sciences USA 98(24), 2001: 13790-13795.
Bleuler, S., A. Prelić, e E. Zitzler. “An EA framework for biclustering of gene expression data.”
Proc. of IEEE Congress on Evolutionary Computation (CEC), 2004: 166-173.
Bonabeau, E., M. Dorigo, e G. Théraulaz. Swarm intelligence: from natural to artificial systems.
Oxford University Press, 1999.
Charrad, M., e M. Ben Ahmed. “Simultaneous clustering: a survey.” Proc. of the 4th
International Conference on Pattern Recognition and Machine Intelligence (PReMI),
LNCS 6744, 2011: 370-375.
Cheng, K. O. et al. “BiVisu: software tool for bicluster detection and visualization.”
Bioinformatics 23(17), 2007: 2342-2344.
139
140
Cheng, Y., e G. M. Church. “Biclustering of gene expression data.” Proc. of the 8th International
Conference on Intelligent Systems for Molecular Biology, 2000: 93-103.
Cho, R., Campbell, M., Winzeler, E., Steinmetz, L., Conway, A., Wodicka, L., Wolfsberg, T.,
Gabrielian, A., Landsman, D., Lockhart, D., Davis, R. “A genome-wide transcriptional
analysis of the mitotic cell cycle.” Molecular Cell 2, 1998: 65-73.
Chowdary, D., et al. “Prognostic gene expression signatures can be measured in tissues
collected in RNAlater preservative.” Journal of Molecular Diagnostics 8(1), 2006: 31-39.
de Castro, L. N., e F. J. Von Zuben. “An evolutionary immune network for data clustering.” Proc.
of 6th Brazilian Symposium on Neural Networks, 2000: 84-89.
de Castro, L. N., e J. Timmis. “Artificial immune systems as a novel soft computing paradigm.”
Soft Computing 7(8), 2003: 526-544.
de França, F. O., e F. J. Von Zuben. “Finding a high coverage set of δ-biclusters with swarm
intelligence.” Proc. of IEEE Congress on Evolutionary Computation (CEC), 2010: 1-8.
de França, F. O., G. P. Coelho, e F. J. Von Zuben. “BicACO: an ant colony inspired biclustering
algorithm.” Proc. of 6th International Conference on Ant Colony Optimization and
Swarm Intelligence, LNCS 5217, 2008: 401-402.
141
de Souto, M. C. P., et al. “Ranking and selecting clustering algorithms using a meta-learning
approach.” Proc. of International Joint Conference on Neural Networks (IJCNN), 2008:
3729-3735.
Demŝar, J. “Statistical comparisons of classifiers over multiple data sets.” Journal of Machine
Learning Research 7, 2006: 1-30.
Derrac, J., S. García, D. Molina, e F. Herrera. “A practical tutorial on the use of nonparametric
statistical tests as a methodology for comparing evolutionary and swarm intelligence
algorithms.” Swarm and Evolutionary Computation 1, 2011: 3-18.
Dorigo, M., M. Birattar, e T. Stützle. “Ant colony optimization: artificial ants as a computational
intelligence technique.” IEEE Computational Intelligence Magazine 1(4), 2006: 28-39.
—. “Knowledge discovery and data mining: towards a unifying framework.” Proc. of the 2nd
International Conference on Knowledge Discovery and Data Mining, 1996: 82-88.
Friedman, M. “The use of ranks to avoid the assumption of normality implicit in the analysis of
variance.” Journal of the American Statistical Association 32, 1937: 675-701.
Gao, X. Z., X. Wang, e S. J. Ovaska. “Harmony Search Methods for Multi-modal and Constrained
Optimization.” In: Music-Inspired Harmony Search Algorithm - Theory and Applications,
por Z. W. Geem, 39-51. Springer, 2009.
Goldberg, D. E., e J. Richardson. “Genetic algorithms with sharing for multimodal function
optimization.” Proc. of the 2nd International Conference on Genetic Algorithms, 1987:
41-49.
Hamilton, W. D. “Geometry for the selfish herd.” Journal of Theoretical Biology 31(2), 1970:
295-311.
Hanczar, B., e M. Nadif. “Bagging for biclustering: application to microarray data.” Proc. of the
European Conference on Machine Learning and Principles and Practice of Knowledge
Discovery in Databases (ECML PKDD), 2010: 490-505.
Hanczar, B., e M. Nadif. “Using the bagging approach for biclustering of gene expression data.”
Neurocomputing 74, 2011: 1595-1605.
Heyer, L.J., S. Kruglyak, e S. Yooseph. “Exploring expression data: Identification and analysis of
coexpressed genes.” Genome Research 9 (11), 1999: 1106-1115.
Ihmels, J., S. Bergmann, e N. Barkai. “Defining transcription modules using large-scale gene
expression data.” Bioinformatics 20(13), 2004: 1993-2003.
Iman, R., e J. Davenport. “Approximations of the critical region of the friedman statistic.”
Communications in Statistics 9, 1980: 571-595.
Jain, A. K., M. N. Murty, e Flynn P. J. “Data clustering: a review.” ACM Computing Surveys 31(3),
1999: 264-23.
Karaboga, D. “An idea based on honey bee swarm for numerical optimization.” Technical
Report-TR06, Erciyes University, Engineering Faculty, Computer Engineering
Department, 2005.
Karaboga, D., e B. Basturk. “A powerful and efficient algorithm for numerical function
optimization: artificial bee colony (ABC) algorithm.” Journal of Global Optimization
39(3), 2007: 459-471.
Madeira, S. C., e A. L. Oliveira. “Biclustering algorithms for biological data analysis: a survey.”
IEEE/ACM Transactions on Computational Biology and Bioinformatics 1(1), 2004: 24-
45.
Margolin, A. A., et al. “ARACNE: an algorithm for the reconstruction of gene regulatory
networks in a mammalian cellular context.” BMC Bioinformatics 7(1), 2006: 1-15.
—. “Mining coherent biclusters with fish school search.” Proc. of the International Conference
on Swarm Intelligence (ICSI), LNCS 6729, 2011: 573-582.
Miller, B. L., e M. J. Shaw. “Genetic algorithms with dynamic niche sharing for multimodal
function optimization.” Proc. of IEEE International Conference on Evolutionary
Computation, 1996: 786-791.
Murali, T. M., e S. Kasif. “Extracting conserved gene expression motifs from gene expression
data.” Proc. of the 8th Pacific Symposium on Biocomputing, 2003: 77-88.
Nie, D., Y. Fu, J. Zhou, e Y. Fang. “Predicting time series with multiple mixed models.” Journal of
Computational Information Systems 7(4), 2011: 1092-1099.
Nutt, C. L., et al. “Gene expression-based classification of malignant gliomas correlates better
with survival than histological classification.” Cancer Research 63(7), 2003: 1602-1607.
Opitz, D., e R. Maclin. “Popular ensemble methods: an empirical study.” Journal of Artificial
Intelligence Research 11, 1999: 169-198.
Panigrahi, B. K., Y. Shi, e M.-H. Lim. Handbook of Swarm Intelligence: Concepts, Principles and
Applications. Springer, 2011.
144
Pétrowski, A. “A clearing procedure as a niching method for genetic algorithms.” Proc. of the
3rd IEEE International Conference on Evolutionary Computation, 1996: 798-803.
Pomeroy, S. L., et al. “Prediction of central nervous system embryonal tumour outcome based
on gene expression.” Nature 415(6870), 2002: 436-442.
Pontes, B., F. Divina, R. Giráldez, e J. Aguilar-Ruiz. “Virtual error: a new measure for
evolutionary biclustering.” Proc. of the 5th European conference on Evolutionary
computation, machine learning and data mining in bioinformatics, LNCS 4447, 2007:
217-226.
Pontes, B., R. Giráldez, e J. Aguilar-Ruiz. “Measuring the quality of shifting and scaling patterns
in biclusters.” Proc. of the 5th IAPR International Conference on Pattern Recognition in
Bioinformatics, LNBI 6282, 2010: 242-252.
Prelić, A. et al. “A systematic comparison and evaluation of biclustering methods for gene
expression data.” Bioinformatics 22(9), 2006: 1122-1129.
Qiu, P., A. J. Gentles, e S. K. Plevritis. “Fast calculation of pairwise mutual information for gene
regulatory network reconstruction.” Computer Methods and Programs in Biomedicine
94(2), 2009: 177-180.
Ramaswamy, S., et al. “Multiclass cancer diagnosis using tumor gene expression signatures.”
Proc. of the National Academy of Sciences USA 98(26), 2001: 15149-15154.
Sareni, B., e L. Krahenbuhl. “Fitness sharing and niching methods revisited.” IEEE Transactions
on Evolutionary Computation 2(3), 1998: 97-106.
Steuer, R., J. Kurths, C. O. Daub, J. Weise, e J. Selbig. “The mutual information: detecting and
evaluating dependencies between variables.” Bioinformatics 18(2), 2002: 231-240.
Storn, R., e K. Price. “Differential evolution – a simple and efficient adaptive scheme for global
optimization over continuous spaces.” Technical Report TR-95-012, ICSI, 1995.
Strehl, A., e J. Ghosh. “Cluster ensembles – a knowledge reuse framework for combining
multiple partitions.” Journal of Machine Learning Research 3, 2002: 583-617.
Wille, A., et al. “Sparse graphical gaussian modeling of the isoprenoid gene network in
Arabidopsis thaliana.” Genome Biology 5(11), 2004.
Xie, B., S. Chen, e F. Liu. “Biclustering of gene expression data using PSO-GA hybrid.” The 1st
International Conference on Bioinformatics and Biomedical Engineering, 2007: 302-
305.
Zar, J. H. Biostatistical Analysis. New Jersey: Prentice Hall, Englewood Clifs, 1998.
Zhou, Z., J. Wu, e W. Tang. “Ensembling neural networks: many could be better than all.”
Artificial Intelligence 137, 2002: 239-263.
—. “Mining coherent biclusters with fish school search.” Proc. of the International Conference
on Swarm Intelligence (ICSI), LNCS 6729, 2011: 573-582.
147
148
Apêndice A – Ferramentas para o problema
de agrupamento bidimensional
149
150
153
154
159
160
Tabela 84: Resultado da Fusão Direta com um algoritmo (com sobreposição) para Artificial_2
Artificial_2 ABC 4 (LC) BICACO 1 BIC-aiNet 1 CDE 4 (LC) dFSS 1 (LC) CGA 1 (J) FSGA 1 (J) GSO 1 (LC) MHS 4 (LC) NichePSO 2 SwarmBclust
(LC) (LC) (LC) er 1 (J)
Tempo 10,331 ± 5,55 ± 0,074 2,218 ± 0,299 10,053 ± 10,389 ± 9,096 ± 0,205 10,188 ± 10,57 ± 0,047 9,981 ± 0,053 10,145 ± 6,094 ± 0,037
0,028 0,037 0,068 0,127 0,079
MSR 6,215 ± 1,649 24,746 ± 0,6 1,331 ± 2,175 19,761 ± 29,969 ± 21,827 ± 28,571 ± 30,668 ± 19,813 ± 2,9 27,857 ± 0,85 0,361 ± 0,058
(melhor) 2,086 0,725 1,176 0,718 0,592
MSR (média) 29,906 ± 0,15 29,558 ± 21,055 ± 29,477 ± 32,163 ± 24,412 ± 30,748 ± 32,465 ± 29,569 ± 31,649 ± 0,102 ± 0,005
0,123 0,809 0,121 0,134 1,105 0,275 0,069 0,118 0,097
Volume 702,5 ± 6.703,25 ± 27,25 ± 21,45 3.732,4 ± 4.340,8 ± 2.694,95 ± 4.215,95 ± 4.426,6 ± 3.837,75 ± 5.332,1 ± 141,95 ±
(melhor) 180,845 1.406,722 574,466 1.089,646 390,707 706,083 1.397,41 1.073,498 1.627,644 22,698
Volume 5.967,379 ± 5.401,018 ± 201,059 ± 5.733,502 ± 12.429,542 ± 3.382,979 ± 7.355,398 ± 12.258,092 ± 5.362,751 ± 9.138,713 ± 98,596 ±
(média) 284,786 229,722 26,838 273,225 691,904 449,249 447,881 612,646 251,566 136,062 1,135
Cobertura 1±0 1±0 0,39 ± 0,043 1±0 1±0 0,638 ± 0,035 0,997 ± 0,001 1±0 1±0 1±0 0,183 ± 0,005
elementos
Cobertura 1±0 1±0 0,997 ± 0,005 1±0 1±0 0,814 ± 0,045 1±0 1±0 1±0 1±0 0,224 ± 0,01
linhas e
colunas
Sobreposição 0,316 ± 0,015 0,303 ± 0,012 0,009 ± 0,001 0,319 ± 0,016 0,623 ± 0,035 0,797 ± 0,019 0,458 ± 0,016 0,613 ± 0,031 0,298 ± 0,014 0,463 ± 0,007 0,011 ± 0,001
Jaccard 0,377 ± 0,014 0,365 ± 0,012 0,047 ± 0,003 0,385 ± 0,014 0,615 ± 0,035 0,818 ± 0,017 0,503 ± 0,014 0,603 ± 0,029 0,368 ± 0,012 0,516 ± 0,005 0,627 ± 0,014
Qtd. - 0±0 0±0 2,05 ± 1,276 0±0 0±0 0±0 0±0 0±0 0±0 0±0 48 ± 0
biclusters
Sucesso 0 0 90 0 0 0 0 0 0 0 100
VE 0,051 ± 0,227 0,148 ± 0,421 -0,066 ± -0,056 ± -0,032 ± 0,23 -0,02 ± 0,212 0,022 ± 0,234 -0,006 ± -0,17 ± 0,383 -0,124 ± 0,203 ± 1,877
0,229 0,258 0,168 0,196
TVE 0,082 ± 0,722 0,115 ± 0,394 -0,022 ± -0,095 ± 0,033 ± 0,249 -0,118 ± -0,116 ± 0,007 ± 0,24 -0,099 ± -0,093 ± 0,28 0,077 ± 0,491
0,203 0,534 0,484 0,263 0,552
MI 0,551 ± 0,068 1,079 ± 0,064 0,709 ± 0,485 0,958 ± 0,076 1,327 ± 0,048 1,117 ± 0,069 1,299 ± 0,034 1,358 ± 0,049 0,968 ± 0,097 1,24 ± 0,046 0,465 ± 0,197
LC 0,291 ± 0,035 0,161 ± 0,009 0,671 ± 0,39 0,193 ± 0,016 0,148 ± 0,009 0,212 ± 0,016 0,155 ± 0,009 0,145 ± 0,01 0,192 ± 0,016 0,157 ± 0,01 0,762 ± 0,172
RMS 0±0 0±0 0,041 ± 0,028 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,033 ± 0,001
(biclusters)
RMS 0,218 ± 0,005 0,243 ± 0,004 0,098 ± 0,006 0,225 ± 0,004 0,2 ± 0,002 0,3 ± 0,029 0,21 ± 0,009 0,193 ± 0,002 0,221 ± 0,004 0,203 ± 0,004 0,033 ± 0,001
(população)
CMS 0±0 0±0 0,036 ± 0,019 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,539 ± 0,007
(biclusters)
CMS 0,418 ± 0,01 0,408 ± 0,008 0,114 ± 0,009 0,445 ± 0,011 0,432 ± 0,011 0,497 ± 0,053 0,438 ± 0,019 0,412 ± 0,008 0,435 ± 0,009 0,435 ± 0,007 0,539 ± 0,007
(população)
MS 0±0 0±0 0,035 ± 0,021 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,362 ± 0,003
(biclusters)
MS 0,287 ± 0,006 0,303 ± 0,004 0,103 ± 0,007 0,301 ± 0,005 0,279 ± 0,005 0,37 ± 0,026 0,289 ± 0,011 0,268 ± 0,004 0,295 ± 0,004 0,283 ± 0,004 0,362 ± 0,003
(população)
177
Tabela 85: Resultado da Fusão Direta com um algoritmo (com sobreposição) para Artificial_4
Artificial_4 ABC 3 (LC) BICACO 1 BIC-aiNet 1 CDE 3 (LC) dFSS 2 (LC) CGA 1 (LC) FSGA 1 (J) GSO 1 (LC) MHS 3 (LC) NichePSO 2 SwarmBclust
(J) (LC) (LC) er 1 (J)
Tempo 10,403 ± 5,522 ± 0,019 1,812 ± 0,245 10,126 ± 10,446 ± 9,35 ± 0,163 10,075 ± 10,582 ± 10,098 ± 0,05 10,188 ± 5,633 ± 0,032
0,042 0,048 0,054 0,131 0,049 0,058
MSR 18,473 ± 14,039 ± 1,018 ± 0,846 17,195 ± 0,64 20,214 ± 14,647 ± 0,69 17,065 ± 0,78 21,053 ± 19,419 ± 0,36 18,106 ± 0,331 ± 0,071
(melhor) 0,323 0,254 0,597 0,705 0,755
MSR (média) 21,351 ± 18,047 ± 0,15 14,731 ± 20,788 ± 0,1 22,47 ± 0,1 16,052 ± 19,585 ± 23,021 ± 20,795 ± 22,055 ± 1,993 ± 0,439
0,149 0,629 0,508 0,433 0,088 0,088 0,115
Volume 11.055,95 ± 6.802,6 ± 77,8 ± 8.470,2 ± 5.142,55 ± 2.997 ± 4.000 ± 4.773,5 ± 10.069,5 ± 5.930,4 ± 120,15 ±
(melhor) 1.949,388 311,079 177,111 1.938,171 2.232,643 388,255 950,811 2.414,37 3.920,036 2.445,628 6,915
Volume 8.896,651 ± 4.755,395 ± 235,768 ± 8.674,646 ± 10.883,606 ± 3.515,048 ± 6.621,443 ± 12.398,197 ± 8.112,654 ± 9.040,111 ± 91,713 ±
(média) 434,262 215,179 30,064 303,323 412,316 276,185 478,882 722,977 330,175 209,507 1,276
Cobertura 1±0 0,991 ± 0,002 0,441 ± 0,041 1 ± 0 1±0 0,659 ± 0,031 0,987 ± 0,008 1±0 1±0 1±0 0,185 ± 0,004
elementos
Cobertura 1±0 1±0 0,997 ± 0,005 1±0 1±0 0,817 ± 0,038 0,997 ± 0,007 1±0 1±0 1±0 0,364 ± 0,012
linhas e
colunas
Sobreposição 0,46 ± 0,021 0,313 ± 0,014 0,011 ± 0,001 0,463 ± 0,016 0,546 ± 0,021 0,799 ± 0,018 0,452 ± 0,016 0,619 ± 0,036 0,432 ± 0,017 0,459 ± 0,011 0,006 ± 0,001
Jaccard 0,497 ± 0,019 0,369 ± 0,016 0,05 ± 0,003 0,503 ± 0,015 0,557 ± 0,022 0,821 ± 0,016 0,498 ± 0,013 0,612 ± 0,033 0,475 ± 0,016 0,513 ± 0,009 0,35 ± 0,006
Qtd. - 0±0 0±0 2,2 ± 1,24 0±0 0±0 0±0 0±0 0±0 0±0 0±0 36,4 ± 2,798
biclusters
Sucesso 0 0 90 0 0 0 0 0 0 0 100
VE 0,028 ± 0,101 -0,022 ± 0,09 -0,011 ± 0,07 0,007 ± 0,092 0,013 ± 0,086 -0,019 ± 0,044 ± 0,092 0,025 ± 0,125 -0,015 ± 0,02 ± 0,138 -0,163 ±
0,082 0,166 0,313
TVE -0,007 ± 0,005 ± 0,029 -0,003 ± 0,007 ± 0,041 -0,004 ± 0,003 ± 0,043 -0,005 ± 0,011 ± 0,033 0 ± 0,025 -0,006 ± 0,012 ± 0,031
0,019 0,098 0,039 0,041 0,031
MI 0,961 ± 0,05 0,852 ± 0,008 0,669 ± 0,35 0,949 ± 0,038 1,11 ± 0,065 0,967 ± 0,039 1,037 ± 0,039 1,154 ± 0,057 1,005 ± 0,086 1,02 ± 0,044 0,56 ± 0,245
LC 0,106 ± 0,013 0,115 ± 0,002 0,712 ± 0,244 0,112 ± 0,011 0,121 ± 0,014 0,153 ± 0,012 0,135 ± 0,012 0,123 ± 0,011 0,108 ± 0,018 0,122 ± 0,013 0,855 ± 0,126
RMS 0±0 0±0 0,073 ± 0,055 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,047 ± 0,001
(biclusters)
RMS 0,225 ± 0,003 0,237 ± 0,004 0,127 ± 0,007 0,23 ± 0,003 0,223 ± 0,002 0,241 ± 0,018 0,23 ± 0,006 0,221 ± 0,002 0,227 ± 0,002 0,222 ± 0,002 0,049 ± 0,001
(população)
CMS 0±0 0±0 0,056 ± 0,037 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,602 ± 0,008
(biclusters)
CMS 0,422 ± 0,006 0,417 ± 0,008 0,147 ± 0,012 0,435 ± 0,007 0,407 ± 0,006 0,417 ± 0,029 0,437 ± 0,015 0,4 ± 0,006 0,428 ± 0,006 0,411 ± 0,006 0,606 ± 0,008
(população)
MS 0±0 0±0 0,059 ± 0,045 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,372 ± 0,005
(biclusters)
MS 0,281 ± 0,003 0,292 ± 0,005 0,132 ± 0,01 0,288 ± 0,003 0,273 ± 0,003 0,298 ± 0,019 0,292 ± 0,006 0,268 ± 0,003 0,285 ± 0,003 0,276 ± 0,003 0,371 ± 0,004
(população)
178
Tabela 86: Resultado da Fusão Direta com um algoritmo (com sobreposição) para Artificial_6
Artificial_6 ABC 1 (LC) BICACO 1 BIC-aiNet 1 CDE 1 (LC) dFSS 1 (LC) CGA 1 (LC) FSGA 1 (J) GSO 1 (LC) MHS 1 (LC) NichePSO 1 SwarmBclust
(J) (LC) (LC) er 1 (J)
Tempo 10,495 ± 5,531 ± 0,059 1,82 ± 0,268 10,248 ± 10,478 ± 9,065 ± 0,197 10,202 ± 10,618 ± 10,114 ± 10,215 ± 5,476 ± 0,092
0,063 0,096 0,091 0,131 0,073 0,056 0,097
MSR 25,891 ± 22,46 ± 0,445 0,978 ± 1,003 25,77 ± 0,937 26,993 ± 20,186 ± 24,942 ± 27,487 ± 26,187 ± 24,322 ± 0,99 0,324 ± 0,046
(melhor) 0,785 0,779 0,728 0,867 0,779 0,538
MSR (média) 28,841 ± 26,057 ± 18,13 ± 1,019 28,683 ± 29,399 ± 21,718 ± 27,344 ± 29,714 ± 28,521 ± 28,826 ± 0,355 ± 0,029
0,154 0,129 0,136 0,098 1,068 0,385 0,092 0,118 0,106
Volume 3.380,1 ± 5.589,1 ± 27,3 ± 16,355 3.230,05 ± 4.415,85 ± 2.725,9 ± 3.882,1 ± 4.412,4 ± 3.497,35 ± 4.719,95 ± 116,25 ± 7,84
(melhor) 942,051 2.018,791 524,601 1.254,912 370,172 715,966 2.287,534 604,581 1.360,829
Volume 12.311,548 ± 4.939,497 ± 253,453 ± 12.477,272 ± 12.348,069 ± 3.100,542 ± 6.936,277 ± 12.412,038 ± 11.703,906 ± 9.517,046 ± 89,926 ±
(média) 674,86 193,111 36,423 545,102 882,142 337,768 425,9 720,181 524,261 223,934 1,136
Cobertura 1±0 1±0 0,462 ± 0,046 1 ± 0 1±0 0,627 ± 0,027 0,995 ± 0,003 1±0 1±0 1±0 0,206 ± 0,004
elementos
Cobertura 1±0 1±0 0,995 ± 0,006 1±0 1±0 0,819 ± 0,033 1±0 1±0 1±0 1±0 0,457 ± 0,013
linhas e
colunas
Sobreposição 0,62 ± 0,033 0,294 ± 0,009 0,012 ± 0,002 0,633 ± 0,027 0,618 ± 0,044 0,791 ± 0,014 0,45 ± 0,014 0,62 ± 0,036 0,596 ± 0,026 0,482 ± 0,011 0,003 ± 0,001
Jaccard 0,613 ± 0,033 0,348 ± 0,011 0,05 ± 0,004 0,63 ± 0,027 0,612 ± 0,044 0,812 ± 0,012 0,497 ± 0,013 0,612 ± 0,035 0,596 ± 0,027 0,528 ± 0,011 0,289 ± 0,004
Qtd. - 0±0 0±0 2,4 ± 1,392 0±0 0±0 0±0 0±0 0±0 0±0 0±0 48 ± 0
biclusters
Sucesso 0 0 95 0 0 0 0 0 0 0 100
VE 0,007 ± 0,548 -0,042 ± -0,068 ± -0,054 ± -0,153 ± -0,12 ± 0,66 -0,193 ± 0,105 ± 0,702 -0,195 ± -0,017 ± -0,701 ±
0,599 0,195 0,467 0,479 0,438 0,599 0,757 3,795
TVE -0,012 ± -0,169 ± 0,053 ± 0,235 0,048 ± 0,421 0,04 ± 0,305 -0,033 ± 0,47 -0,089 ± -0,042 ± -0,086 ± 0,085 ± 0,378 0,037 ± 0,268
0,276 0,512 0,398 0,244 0,339
MI 1,233 ± 0,038 1,09 ± 0,067 0,722 ± 0,327 1,219 ± 0,03 1,214 ± 0,046 1,097 ± 0,036 1,179 ± 0,033 1,227 ± 0,061 1,223 ± 0,047 1,156 ± 0,037 0,837 ± 0,226
LC 0,175 ± 0,009 0,166 ± 0,019 0,742 ± 0,27 0,178 ± 0,014 0,166 ± 0,008 0,199 ± 0,015 0,172 ± 0,014 0,165 ± 0,013 0,175 ± 0,015 0,177 ± 0,012 0,937 ± 0,034
RMS 0±0 0±0 0,074 ± 0,028 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,06 ± 0,001
(biclusters)
RMS 0,201 ± 0,002 0,187 ± 0,003 0,145 ± 0,01 0,202 ± 0,002 0,201 ± 0,002 0,199 ± 0,009 0,197 ± 0,007 0,201 ± 0,002 0,202 ± 0,002 0,202 ± 0,002 0,061 ± 0,001
(população)
CMS 0±0 0±0 0,056 ± 0,03 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,604 ± 0,006
(biclusters)
CMS 0,419 ± 0,006 0,395 ± 0,006 0,167 ± 0,014 0,425 ± 0,005 0,406 ± 0,009 0,412 ± 0,039 0,415 ± 0,014 0,398 ± 0,008 0,423 ± 0,004 0,406 ± 0,004 0,607 ± 0,006
(população)
MS 0±0 0±0 0,059 ± 0,023 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,383 ± 0,004
(biclusters)
MS 0,265 ± 0,003 0,25 ± 0,004 0,149 ± 0,011 0,267 ± 0,002 0,26 ± 0,004 0,261 ± 0,018 0,262 ± 0,008 0,257 ± 0,004 0,266 ± 0,002 0,26 ± 0,002 0,385 ± 0,003
(população)
179
Tabela 87: Resultado da Fusão Direta com um algoritmo (com sobreposição) para Arabidopsis
Arabidopsis ABC 5 (J) BICACO 5 BIC-aiNet 1 CDE 4 (J) dFSS 5 (J) CGA 1 (J) FSGA 1 (J) GSO 5 (LC) MHS 5 (J) NichePSO 5 SwarmBclu
(J) (LC) (J) ster 1 (J)
Tempo 31,289 ± 51,737 ± 1,538 ± 31,155 ± 31,25 ± 31,844 ± 32,507 ± 31,185 ± 30,585 ± 31,398 ± 17,234 ±
0,034 0,039 0,119 0,06 0,124 0,437 0,296 0,091 0,072 0,125 0,545
MSR 622,011 ± 690,545 ± 504,282 ± 588,642 ± 582,663 ± 668,712 ± 671,147 ± 856,281 ± 652,072 ± 472,133 ± 184,02 ±
(melhor) 53,27 8,057 118,988 130,29 89,644 19,735 16,335 163,125 51,129 81,024 233,421
MSR 1.182,728 ± 692,139 ± 1.361,532 ± 1.148,331 ± 2.166,413 ± 670,3 ± 656,259 ± 3.134,551 ± 875,417 ± 2.258,237 ± 4.475,304 ±
(média) 72,971 1,57 547,905 71,207 149,559 20,494 23,681 218,079 21,714 181,971 3.367,153
Volume 6.210,95 ± 40.825,15 ± 1.711,45 ± 15.124,45 ± 7.277,6 ± 17.800,9 ± 22.306,9 ± 6.735,5 ± 10.264,15 ± 15.055,85 ± 3.911,7 ±
(melhor) 2.375,706 847,65 549,532 4.356,074 3.241,192 1.175,437 1.335,845 3.958,195 1.472,214 2.020,853 4.637,225
Volume 7.589,787 ± 36.135,949 664,475 ± 16.211,857 8.797,978 ± 14.381,926 16.857,39 ± 11.013,734 8.570,482 ± 9.519,889 ± 1.014,174 ±
(média) 434,991 ± 284,884 47,864 ± 829,555 496,662 ± 1.447,248 1.160,407 ± 381,663 374,682 217,51 155,188
Cobertura 0,998 ± 0,955 ± 0,486 ± 1±0 1±0 0,88 ± 0,925 ± 1±0 0,993 ± 1±0 0,882 ±
elementos 0,003 0,006 0,026 0,018 0,017 0,005 0,016
Cobertura 0,999 ± 0,956 ± 0,867 ± 1±0 1±0 0,959 ± 0,965 ± 1±0 0,999 ± 1±0 0,921 ±
linhas e 0,003 0,006 0,014 0,019 0,018 0,004 0,013
colunas
Sobreposi- 0,155 ± 0,823 ± 0,013 ± 0,339 ± 0,177 ± 0,814 ± 0,543 ± 0,216 ± 0,184 ± 0,192 ± 0,009 ±
ção 0,009 0,006 0,001 0,017 0,01 0,017 0,04 0,008 0,008 0,004 0,002
Jaccard 0,23 ± 0,01 0,88 ± 0,061 ± 0,399 ± 0,247 ± 0,83 ± 0,553 ± 0,298 ± 0,265 ± 0,284 ± 0,173 ±
0,002 0,003 0,012 0,01 0,013 0,03 0,007 0,01 0,003 0,009
Qtd. - 5,15 ± 49,3 ± 30,2 ± 3,25 ± 2,5 ± 1,395 49,6 ± 46,4 ± 5,96 0,2 ± 0,523 7 ± 2,103 1,65 ± 35,2 ±
biclusters 1,694 0,923 4,287 1,164 0,681 0,875 1,908
Sucesso 100 100 100 100 95 100 100 15 100 100 100
VE 0,023 ± 0,008 ± -0,003 ± 0,011 ± -0,035 ± -0,042 ± -0,034 ± 0,039 ± -0,019 ± 0,001 ± 0,034 ±
0,103 0,116 0,106 0,082 0,119 0,06 0,101 0,098 0,099 0,165 0,081
TVE -0,003 ± -0,015 ± 0,012 ± -0,001 ± -0,007 ± 0,001 ± -0,004 ± 0,004 ± 0,007 ± 0,013 ± -0,002 ±
0,026 0,029 0,037 0,053 0,049 0,024 0,029 0,051 0,042 0,034 0,027
MI 1,327 ± 1,228 ± 1,348 ± 1,222 ± 1,31 ± 1,273 ± 1,263 ± 1,336 ± 1,305 ± 1,195 ± 0,698 ±
0,047 0,012 0,062 0,145 0,057 0,043 0,023 0,075 0,06 0,037 0,563
LC 0,162 ± 0,087 ± 0,134 ± 0,149 ± 0,153 ± 0,108 ± 0,102 ± 0,176 ± 0,137 ± 0,12 ± 0,112 ±
0,022 0,001 0,013 0,136 0,021 0,004 0,004 0,051 0,012 0,008 0,163
180
Tabela 88: Resultado da Fusão Direta com um algoritmo (com sobreposição) para Brain_1
Brain_1 ABC 3 (J) BICACO 4 BIC-aiNet 1 CDE 3 (J) dFSS 4 (J) CGA 1 FSGA 1 (J) GSO 5 (J) MHS 3 (J) NichePSO 5 SwarmBclu
(J) (LC) (LC) (J) ster 1 (J)
Tempo 57,789 ± 98,327 ± 2,152 ± 57,294 ± 57,117 ± 59,488 ± 59,46 ± 56,899 ± 56,236 ± 57,587 ± 32,245 ±
0,149 0,053 0,162 0,128 0,24 0,532 0,451 0,303 0,168 0,181 0,99
MSR 6.349,838 ± 8.924,425 ± 6.007,645 ± 7.501,192 ± 7.067,06 ± 8.611,366 ± 8.486,246 ± 11.600,027 7.208,653 ± 4.463,761 ± 4.482,294 ±
(melhor) 842,807 55,204 1.993,763 898,025 1.256,949 237,613 379,28 ± 934,815 703,261 331,202 154,211
MSR 16.698,673 8.913,422 ± 8.704,187 ± 13.595,547 19.008,917 8.503,982 ± 8.347,712 ± 22.658,206 13.161,765 17.391,678 9.199,252 ±
(média) ± 315,8 20,402 1.225,355 ± 332,734 ± 719,06 314,688 101,667 ± 694,072 ± 406,005 ± 597,37 3.161,211
Volume 39.363,5 ± 62.130,4 ± 1.638,8 ± 41.788,15 ± 23.733,1 ± 23.344,2 ± 29.780,3 ± 14.849,2 ± 42.213,2 ± 26.861,35 ± 56.483,2 ±
(melhor) 2.815,187 581,109 361,31 2.288,743 2.946,709 1.412,071 1.881,763 2.537,078 2.494,688 2.066,405 362,248
Volume 34.136,739 57.427,938 487,263 ± 31.598,812 24.983,737 18.681,95 ± 23.416,284 17.053,388 28.871,911 13.274,753 4.769,985 ±
(média) ± 1.595,862 ± 312,499 48,479 ± 1.057,402 ± 1.161,321 2.009,866 ± 1.316,655 ± 331,408 ± 1.552,653 ± 321,486 660,816
Cobertura 1±0 0,993 ± 0,295 ± 0,994 ± 1±0 0,787 ± 0,837 ± 1±0 0,988 ± 1±0 0,886 ±
elementos 0,001 0,025 0,007 0,032 0,021 0,008 0,009
Cobertura 1±0 0,993 ± 0,61 ± 0,996 ± 1±0 0,867 ± 0,881 ± 1±0 0,991 ± 1±0 0,907 ±
linhas e 0,001 0,024 0,008 0,046 0,027 0,01 0,01
colunas
Sobreposi- 0,518 ± 0,873 ± 0,007 ± 0,515 ± 0,369 ± 0,825 ± 0,566 ± 0,248 ± 0,476 ± 0,201 ± 0,029 ±
ção 0,023 0,005 0,001 0,017 0,017 0,021 0,031 0,005 0,024 0,005 0,008
Jaccard 0,553 ± 0,92 ± 0,062 ± 0,55 ± 0,424 ± 0,828 ± 0,533 ± 0,331 ± 0,516 ± 0,29 ± 0,225 ±
0,019 0,001 0,004 0,016 0,014 0,019 0,025 0,003 0,024 0,003 0,011
Qtd. - 1,1 ± 0,308 48,8 ± 33,9 ± 2,8 ± 1,105 1,45 ± 49,85 ± 48,65 ± 0±0 1,25 ± 0,55 1,25 ± 0,55 42,85 ±
biclusters 0,523 2,553 0,605 0,366 1,663 1,694
Sucesso 100 100 100 100 100 100 100 0 100 100 100
VE 0,128 ± 0,726 ± -0,038 ± 0,027 ± -0,14 ± 0,132 ± -0,151 ± -0,053 ± 0,155 ± 0,069 ± -0,747 ±
0,964 1,177 0,243 0,957 0,647 0,496 0,639 0,442 0,923 0,76 0,556
TVE 0,074 ± 0,063 ± -0,021 ± -0,109 ± -0,006 ± 0,061 ± 0,15 ± 0,041 ± 0,149 ± 0,056 ± 0,044 ±
0,484 0,664 0,353 0,756 0,54 0,561 0,565 0,431 0,554 0,58 0,555
MI 2,416 ± 2,76 ± 2,524 ± 2,453 ± 2,386 ± 2,482 ± 2,525 ± 2,328 ± 2,452 ± 2,357 ± 2,673 ±
0,052 0,013 0,118 0,058 0,086 0,064 0,055 0,113 0,04 0,046 0,004
LC 0,253 ± 0,256 ± 0,286 ± 0,25 ± 0,269 ± 0,27 ± 0,268 ± 0,297 ± 0,257 ± 0,253 ± 0,258 ± 0
0,008 0,001 0,023 0,008 0,019 0,015 0,012 0,023 0,007 0,012
181
Tabela 89: Resultado da Fusão Direta com um algoritmo (com sobreposição) para Brain_2
Brain_2 ABC 4 (J) BICACO 1 BIC-aiNet 1 CDE 3 (J) dFSS 5 (J) CGA 1 (J) FSGA 1 GSO 5 (LC) MHS 4 (J) NichePSO 5 SwarmBclu
(J) (LC) (LC) (J) ster 1 (J)
Tempo 56,246 ± 96,44 ± 1,88 ± 56,028 ± 55,94 ± 58,223 ± 58,065 ± 55,681 ± 55,003 ± 56,678 ± 40,688 ±
0,071 0,054 0,153 0,104 0,238 0,53 0,466 0,244 0,132 0,118 1,127
MSR 195.832,516 287.683,559 177.708,304 253.798,768 234.762,645 275.784,083 267.565,738 453.832,69 230.498,524 110.376,603 230.778,937
(melhor) ± ± 2.114,247 ± ± 27.794,8 ± ± 8.853,233 ± ± ± ± ±
118.287,408 71.711,203 54.481,737 17.931,974 54.007,747 82.524,344 16.163,188 15.032,228
MSR 546.092,583 291.217,503 293.279,559 537.443,288 659.477,25 275.181,758 265.338,682 848.048,303 452.380,784 666.849,277 1.423.645,3
(média) ± ± 1.612,15 ± ± ± ± 6.700,99 ± ± ± ± 99 ±
21.909,453 41.476,862 14.248,631 26.491,883 10.090,619 19.071,262 12.332,035 20.997,239 352.199,213
Volume 9.079,7 ± 53.237,15 ± 1.354,75 ± 30.089 ± 9.023,75 ± 18.802,35 ± 23.565,15 ± 13.810,9 ± 12.358,05 ± 17.128,2 ± 50.156,4 ±
(melhor) 5.728,571 593,17 349,554 2.578,775 3.387,509 1.545,678 1.352,233 2.640,679 5.222,037 1.824,6 316,536
Volume 18.221,56 ± 49.191,649 411,841 ± 26.490,676 9.762,486 ± 14.623,009 17.922,041 14.205,762 16.209,551 10.787,153 3.228,491 ±
(média) 865,64 ± 299,161 63,984 ± 1.015,17 562,264 ± 1.616,951 ± 1.359,946 ± 361,472 ± 825,505 ± 336,614 569,179
Cobertura 1±0 0,99 ± 0,296 ± 1 ± 0,001 1±0 0,778 ± 0,823 ± 1±0 0,996 ± 1±0 0,909 ±
elementos 0,001 0,039 0,038 0,036 0,005 0,008
Cobertura 1±0 0,99 ± 0,582 ± 1±0 1±0 0,864 ± 0,878 ± 1±0 0,999 ± 1±0 0,928 ±
linhas e 0,001 0,037 0,04 0,05 0,005 0,008
colunas
Sobreposi- 0,344 ± 0,885 ± 0,007 ± 0,511 ± 0,175 ± 0,817 ± 0,566 ± 0,245 ± 0,331 ± 0,194 ± 0,018 ±
ção 0,018 0,005 0,001 0,018 0,009 0,01 0,032 0,006 0,016 0,007 0,004
Jaccard 0,393 ± 0,937 ± 0,064 ± 0,56 ± 0,02 0,244 ± 0,822 ± 0,542 ± 0,331 ± 0,392 ± 0,289 ± 0,239 ±
0,015 0,001 0,006 0,011 0,008 0,023 0,003 0,012 0,003 0,011
Qtd. - 2,05 ± 47,75 ± 33,3 ± 2,5 ± 0,688 3,35 ± 49,75 ± 46,9 ± 0±0 2,35 ± 1,05 ± 38,05 ±
biclusters 0,887 1,07 2,598 1,226 0,444 6,766 1,182 0,224 2,089
Sucesso 100 100 100 100 100 100 100 0 100 100 100
VE 0,027 ± 0,077 ± 0,009 ± 0,289 ± 0,084 ± 0,132 ± 0,027 ± 0,044 ± 0,028 ± 0,027 ± 0,579 ±
0,331 0,785 0,211 0,763 0,463 0,57 0,441 0,492 0,385 0,66 0,302
TVE 0,023 ± 0,081 ± -0,074 ± 0,159 ± -0,097 ± 0,099 ± 0,087 ± -0,067 ± -0,035 ± -0,096 ± 0,072 ±
0,255 0,417 0,27 0,38 0,259 0,376 0,379 0,312 0,314 0,345 0,513
MI 0,594 ± 0,95 ± 0,87 ± 0,824 ± 0,756 ± 0,84 ± 0,862 ± 0,805 ± 0,74 ± 0,734 ± 0,896 ±
0,325 0,006 0,098 0,032 0,062 0,035 0,03 0,043 0,058 0,031 0,003
LC 0,165 ± 0,152 ± 0,19 ± 0,179 ± 0,216 ± 0,182 ± 0,174 ± 0,207 ± 0,216 ± 0,197 ± 0,15 ± 0
0,087 0,001 0,021 0,006 0,02 0,007 0,005 0,017 0,02 0,009
182
Tabela 90: Resultado da Fusão Direta com um algoritmo (com sobreposição) para Breast_Colon
Breast_Colo ABC 5 (LC) BICACO 4 BIC-aiNet 1 CDE 3 (J) dFSS 5 (J) CGA 1 (J) FSGA 1 (J) GSO 4 (J) MHS 4 (J) NichePSO 5 SwarmBclu
n (LC) (LC) (J) ster 1 (J)
Tempo 10,001 ± 14,863 ± 0,686 ± 9,973 ± 10,01 ± 10,625 ± 11,646 ± 10,097 ± 9,746 ± 10,178 ± 5,691 ±
0,039 0,036 0,07 0,059 0,065 0,19 0,184 0,035 0,047 0,103 0,12
MSR 19.653,008 21.634,018 17.314,333 18.126,949 18.847,845 20.644,907 20.499,358 37.991,985 16.367,054 11.091,328 15.779,793
(melhor) ± 2.124,779 ± 405,749 ± 3.925,278 ± 1.658,433 ± 2.546,742 ± 794,803 ± 968,714 ± ± 5.306,144 ± 997,427 ± 4.583,784
20.596,644
MSR 56.662,901 21.478,158 83.280,929 36.854,001 123.999,392 21.158,088 20.720,08 ± 210.259,067 31.206,077 131.852,835 107.870,683
(média) ± 7.004,637 ± 104,639 ± ± 1.418,689 ± ± 684,951 2.032,588 ± ± 1.032,375 ± ±
24.149,029 16.595,405 14.145,456 11.621,986 32.022,004
Volume 2.725,65 ± 12.575,35 ± 4.987,25 ± 13.554 ± 3.256,65 ± 7.332,95 ± 10.336,4 ± 2.959,2 ± 3.442,85 ± 8.130,2 ± 12.333,8 ±
(melhor) 1.032,002 878,164 4.385,898 649,306 1.017,792 556,322 633,257 2.398,698 2.047,609 652,519 3.140,329
Volume 2.834,576 ± 11.222,552 829,086 ± 8.570,554 ± 3.297,554 ± 5.551,336 ± 6.715,859 ± 5.799,344 ± 5.436,992 ± 3.772,607 ± 993,312 ±
(média) 123,578 ± 124,21 111,34 344,027 249,705 531,406 511,857 262,194 329,316 71,564 144,345
Cobertura 0,987 ± 0,898 ± 0,899 ± 0,97 ± 1±0 0,863 ± 0,91 ± 1±0 0,947 ± 1±0 0,941 ±
elementos 0,006 0,005 0,036 0,007 0,021 0,008 0,008 0,015
Cobertura 0,996 ± 0,9 ± 0,005 1 ± 0,001 0,975 ± 1±0 0,915 ± 0,924 ± 1±0 0,951 ± 1±0 0,997 ±
linhas e 0,005 0,009 0,01 0,007 0,011 0,004
colunas
Sobreposi- 0,155 ± 0,739 ± 0,043 ± 0,483 ± 0,178 ± 0,822 ± 0,58 ± 0,306 ± 0,31 ± 0,203 ± 0,036 ±
ção 0,007 0,006 0,006 0,02 0,014 0,015 0,037 0,014 0,019 0,004 0,006
Jaccard 0,233 ± 0,742 ± 0,086 ± 0,515 ± 0,253 ± 0,84 ± 0,609 ± 0,367 ± 0,373 ± 0,29 ± 0,218 ±
0,007 0,006 0,004 0,02 0,015 0,014 0,031 0,012 0,015 0,004 0,008
Qtd. - 2,9 ± 1,832 48,2 ± 16,1 ± 1,6 ± 0,754 3,1 ± 1,553 47,55 ± 40,8 ± 0,15 ± 1,75 ± 1,5 ± 0,607 32,25 ± 2,9
biclusters 0,951 4,025 9,556 11,857 0,366 0,786
Sucesso 95 100 100 100 100 100 100 15 100 100 100
VE -0,038 ± 0,308 ± 0,124 ± 0,249 ± 0,016 ± -0,011 ± -0,044 ± 0,054 ± 0,056 ± 0,152 ± 0,596 ±
0,413 0,653 0,447 0,636 0,326 0,309 0,711 0,352 0,379 0,499 1,449
TVE 0,195 ± 0,133 ± -0,161 ± 0,226 ± 0,124 ± 0,085 ± 0,076 ± 0,053 ± 0,078 ± 0,287 ± -0,085 ±
0,361 0,759 0,752 0,734 0,467 0,593 0,762 0,278 0,436 0,547 0,412
MI 1,668 ± 1,886 ± 1,762 ± 1,817 ± 1,748 ± 1,809 ± 1,827 ± 1,646 ± 1,681 ± 1,734 ± 1,778 ±
0,151 0,027 0,137 0,035 0,105 0,086 0,073 0,324 0,109 0,067 0,139
LC 0,266 ± 0,245 ± 0,261 ± 0,236 ± 0,265 ± 0,244 ± 0,239 ± 0,343 ± 0,266 ± 0,249 ± 0,255 ±
0,031 0,009 0,03 0,005 0,017 0,012 0,012 0,119 0,023 0,012 0,027
183
Tabela 91: Resultado da Fusão Direta com um algoritmo (com sobreposição) para Lung
Lung ABC 3 (J) BICACO 5 BIC-aiNet 1 CDE 3 (J) dFSS 5 CGA 1 (J) FSGA 1 (J) GSO 5 (LC) MHS 4 (J) NichePSO 5 SwarmBclu
(J) (LC) (LC) (J) ster 1 (J)
Tempo 88,215 ± 155,078 ± 11,75 ± 87,92 ± 85,603 ± 88,215 ± 90,246 ± 85,052 ± 86,208 ± 86,743 ± 62,764 ±
0,162 0,262 0,81 0,181 0,256 0,754 0,867 0,285 0,248 0,187 1,978
MSR 21.357,029 35.581,634 24.599,725 26.436,373 31.559,716 33.937,312 32.421,085 43.242,365 34.472,028 16.830,103 14.179,604
(melhor) ± 1.628,878 ± 501,84 ± 6.990,798 ± 3.331,028 ± 2.935,759 ± 1.419,712 ± 1.389,15 ± 3.518,047 ± 1.775,378 ± 1.214,261 ± 594,299
MSR 58.385,057 35.490,846 29.372,019 48.269,927 61.668,977 34.597,946 32.268,713 76.857,372 42.787,399 61.956,86 ± 74.434,043
(média) ± 1.659,285 ± 93,541 ± 4.426,406 ± 895,377 ± 1.768,009 ± 680,918 ± 792,692 ± 1.654,282 ± 666,49 1.553,734 ± 28.424,94
Volume 211.822,9 ± 302.052,9 ± 10.339 ± 266.500,3 ± 70.654,85 ± 115.821,75 155.567,55 75.875,6 ± 150.668,9 ± 146.978,1 ± 271.167,4 ±
(melhor) 13.080,045 2.021,322 2.798,388 8.022,952 12.784,521 ± 4.915,403 ± 7.952,845 5.283,181 28.275,055 12.232,374 1.902,714
Volume 166.136,83 295.122,435 1.983,2 ± 165.396,227 54.530,175 99.478,336 121.273,318 77.135,775 104.385,253 63.593,527 9.329,472 ±
(média) ± 7.949,134 ± 550,177 291,644 ± 7.272,855 ± 3.593,98 ± 6.242,179 ± 8.455,37 ± 952,304 ± 3.787,033 ± 926,376 1.904,734
Cobertura 1±0 0,997 ± 0,269 ± 1±0 1±0 0,933 ± 0,979 ± 1±0 0,999 ± 0 1±0 0,896 ±
elementos 0,001 0,035 0,018 0,002 0,008
Cobertura 1±0 0,997 ± 0,755 ± 1±0 1±0 0,983 ± 0,992 ± 1±0 1±0 1±0 0,912 ±
linhas e 0,001 0,028 0,007 0,001 0,009
colunas
Sobreposi- 0,532 ± 0,954 ± 0,006 ± 0,533 ± 0,176 ± 0,816 ± 0,547 ± 0,246 ± 0,339 ± 0,204 ± 0,006 ±
ção 0,026 0,002 0,001 0,023 0,011 0,019 0,036 0,003 0,012 0,003 0,002
Jaccard 0,554 ± 0,966 ± 0,038 ± 0,556 ± 0,245 ± 0,828 ± 0,556 ± 0,33 ± 0,392 ± 0,289 ± 0,281 ±
0,024 0,001 0,003 0,021 0,012 0,017 0,032 0,002 0,01 0,002 0,012
Qtd. - 1,15 ± 48,85 ± 37,45 ± 2,2 ± 0,951 4,65 ± 50 ± 0 49,15 ± 0±0 6,15 ± 1,05 ± 39,2 ±
biclusters 0,366 0,489 2,704 1,387 1,725 1,755 0,224 2,966
Sucesso 100 100 100 100 100 100 100 0 100 100 100
VE -0,137 ± 0,148 ± 0,071 ± -0,109 ± -0,135 ± 0,143 ± -0,216 ± 0,005 ± 0,059 ± -0,154 ± 0,149 ±
0,95 0,524 0,231 0,746 0,505 0,689 0,796 0,423 0,792 0,675 0,531
TVE -0,5 ± 2,17 -0,008 ± -0,144 ± -0,545 ± 0,531 ± 0,178 ± 0,015 ± 0,402 ± 0,942 ± 0,539 ± 0,133 ±
1,449 1,058 1,383 1,954 2,058 2,566 1,67 1,696 2,121 0,848
MI 2,452 ± 2,481 ± 2,512 ± 2,475 ± 2,53 ± 2,534 ± 2,502 ± 2,528 ± 2,513 ± 2,478 ± 2,323 ±
0,024 0,007 0,099 0,019 0,058 0,045 0,033 0,053 0,038 0,031 0,007
LC 0,156 ± 0,164 ± 0,182 ± 0,162 ± 0,175 ± 0,168 ± 0,165 ± 0,175 ± 0,167 ± 0,162 ± 0,174 ±
0,006 0,001 0,015 0,004 0,009 0,006 0,005 0,008 0,007 0,007 0,001
184
Tabela 92: Resultado da Fusão Direta com um algoritmo (com sobreposição) para Multitissue
Multitissue ABC 3 (J) BICACO 5 BIC-aiNet 1 CDE 3 (J) dFSS 5 CGA 1 (J) FSGA 1 (J) GSO 5 (LC) MHS 3 (J) NichePSO 5 SwarmBclu
(J) (LC) (LC) (J) ster 1 (J)
Tempo 78,248 ± 129,245 ± 9,377 ± 77,554 ± 75,831 ± 78,146 ± 79,773 ± 74,994 ± 76,467 ± 76,381 ± 54,221 ±
0,18 0,385 0,72 0,188 0,314 1,102 0,756 0,288 0,16 0,234 1,591
MSR 107.911,29 168.188,759 133.678,573 133.173,575 135.370,957 162.495,096 157.126,624 220.290,185 140.506,945 67.018,678 121.776,612
(melhor) ± 14.029,81 ± 2.071,385 ± 24.479,29 ± ± ± 4.357,713 ± 7.109,33 ± ± ± 9.968,584 ±
15.724,093 27.200,791 13.464,105 11.453,881 16.763,261
MSR 293.896,633 167.428,136 227.540,866 242.657,792 310.735,642 161.904,61 154.833,378 393.858,033 235.251,344 311.209,17 782.548,138
(média) ± 6.776,696 ± 494,899 ± ± 5.460,75 ± ± 4.625,208 ± 2.314,692 ± 9.413,478 ± 5.528,601 ± 6.642,773 ±
32.722,929 10.391,788 178.421,175
Volume 179.175,8 ± 235.692,5 ± 5.271,9 ± 204.349 ± 50.949,9 ± 91.193,55 ± 119.287,95 62.328,35 ± 210.478,95 113.938,1 ± 213.259,4 ±
(melhor) 9.260,047 6.044,17 2.069,835 6.032,228 11.421,451 4.507,794 ± 3.857,838 14.904,12 ± 4.001,737 8.680,585 6.270,148
Volume 135.557,501 225.004,421 1.798,328 ± 133.061,533 45.048,569 77.891,278 90.459,913 64.211,107 121.011,784 51.893,974 11.238,145
(média) ± 6.454,32 ± 572,923 260,257 ± 5.872,393 ± 2.901,916 ± 5.944,008 ± 6.152,419 ± 1.005,722 ± 3.702,844 ± 892,61 ± 3.458,408
Cobertura 1±0 0,999 ± 0 0,292 ± 0,995 ± 1±0 0,903 ± 0,942 ± 1±0 0,993 ± 1±0 0,872 ±
elementos 0,035 0,003 0,014 0,006 0,003 0,032
Cobertura 1±0 0,999 ± 0 0,81 ± 0,03 0,996 ± 1±0 0,959 ± 0,965 ± 1±0 0,995 ± 1±0 0,906 ±
linhas e 0,004 0,009 0,007 0,004 0,029
colunas
Sobreposi- 0,53 ± 0,909 ± 0,006 ± 0,531 ± 0,176 ± 0,811 ± 0,548 ± 0,248 ± 0,484 ± 0,204 ± 0,018 ±
ção 0,025 0,002 0,001 0,023 0,012 0,01 0,039 0,004 0,014 0,004 0,011
Jaccard 0,555 ± 0,92 ± 0,039 ± 0,556 ± 0,248 ± 0,823 ± 0,557 ± 0,331 ± 0,514 ± 0,29 ± 0,23 ±
0,023 0,001 0,004 0,023 0,013 0,009 0,035 0,003 0,013 0,003 0,018
Qtd. - 1,05 ± 48,85 ± 23,7 ± 3,45 2,4 ± 0,995 4,05 ± 50 ± 0 47,5 ± 0±0 1,2 ± 0,41 1,1 ± 0,308 35,65 ±
biclusters 0,224 1,04 1,276 2,065 3,15
Sucesso 100 100 100 100 100 100 100 0 100 100 100
VE 0,175 ± -0,294 ± 0,08 ± -0,343 ± 0,033 ± -0,239 ± 0,124 ± -0,093 ± 0,487 ± -0,06 ± 0,188 ±
1,025 0,737 0,399 0,997 0,534 0,629 0,946 0,669 1,293 1,049 0,962
TVE -0,01 ± 0,074 ± -0,057 ± 0,189 ± -0,005 ± 0,085 ± 0,084 ± -0,119 ± -0,199 ± 0,034 ± 0,1 ± 0,327
0,485 0,366 0,211 0,473 0,153 0,25 0,323 0,351 0,537 0,568
MI 0,723 ± 0,815 ± 0,751 ± 0,749 ± 0,706 ± 0,755 ± 0,753 ± 0,764 ± 0,756 ± 0,67 ± 0,02 0,756 ±
0,011 0,012 0,064 0,012 0,045 0,025 0,022 0,035 0,008 0,016
LC 0,115 ± 0,149 ± 0,181 ± 0,114 ± 0,146 ± 0,139 ± 0,126 ± 0,156 ± 0,115 ± 0,119 ± 0,15 ±
0,002 0,003 0,019 0,001 0,013 0,015 0,008 0,011 0,003 0,003 0,011
185
Tabela 93: Resultado da Fusão Direta com um algoritmo (com sobreposição) para Yeast
Yeast ABC 5 (J) BICACO 1 BIC-aiNet 1 CDE 2 (LC) dFSS 5 CGA 1 FSGA 1 GSO 5 (LC) MHS 4 (J) NichePSO 4 SwarmBclu
(LC) (LC) (LC) (LC) (LC) (LC) ster 1 (J)
Tempo 115,542 ± 96,468 ± 1,813 ± 115,571 ± 113,491 ± 119,21 ± 117,212 ± 115,038 ± 113,23 ± 116,841 ± 10,503 ±
0,107 1,011 0,146 0,173 4,33 1,212 1,327 0,349 0,142 0,392 0,538
MSR 174,114 ± 295,631 ± 297,06 ± 301,922 ± 177,935 ± 247,241 ± 232,587 ± 243,003 ± 214,369 ± 240,657 ± 260,956 ±
(melhor) 106,47 5,711 1,959 144,864 121,698 30,175 27,455 138,803 96,79 231,381 32,946
MSR 583,963 ± 320,13 ± 345,207 ± 665,483 ± 759,977 ± 239,131 ± 344,588 ± 1.009,704 ± 579,874 ± 909,127 ± 194,613 ±
(média) 37,44 8,24 27,195 15,438 46,299 121,717 99,963 20,734 35,734 27,087 16,783
Volume 1.570,65 ± 4.928,7 ± 906,65 ± 4.100,25 ± 1.764,9 ± 3.331 ± 3.739,2 ± 2.819 ± 2.227,7 ± 2.382 ± 4.999,65 ±
(melhor) 744,426 480,437 141,128 2.143,077 1.023,813 258,672 69,819 878,37 793,457 2.594,968 1.207,679
Volume 5.090,244 ± 3.806,093 ± 395,828 ± 16.017,278 6.409,865 ± 3.271,544 ± 4.639,385 ± 11.935,229 7.829,507 ± 10.741,271 1.894,49 ±
(média) 469,794 252,183 70,785 ± 885,019 864,755 1.055,905 1.476,903 ± 365,506 779,329 ± 542,233 198,167
Cobertura 0,914 ± 0,69 ± 0,306 ± 0,865 ± 0,996 ± 0,328 ± 0,424 ± 1±0 0,853 ± 1±0 0,607 ±
elementos 0,035 0,028 0,039 0,034 0,005 0,051 0,067 0,057 0,025
Cobertura 0,968 ± 0,891 ± 0,48 ± 0,876 ± 1±0 0,433 ± 0,523 ± 1±0 0,879 ± 1±0 0,704 ±
linhas e 0,04 0,016 0,027 0,042 0,075 0,097 0,073 0,015
colunas
Sobreposi- 0,136 ± 0,17 ± 0,01 ± 0,469 ± 0,143 ± 0,749 ± 0,409 ± 0,244 ± 0,237 ± 0,226 ± 0,083 ±
ção 0,011 0,013 0,002 0,023 0,018 0,037 0,087 0,008 0,021 0,013 0,012
Jaccard 0,198 ± 0,357 ± 0,037 ± 0,605 ± 0,205 ± 0,817 ± 0,527 ± 0,333 ± 0,339 ± 0,375 ± 0,068 ±
0,013 0,008 0,005 0,022 0,02 0,018 0,026 0,003 0,019 0,007 0,006
Qtd. - 5,85 ± 35 ± 3,277 34,5 ± 0,45 ± 3,2 ± 2,191 38,7 ± 28,25 ± 0,95 ± 3,3 ± 1,658 0,65 ± 40,3 ±
biclusters 3,031 3,103 0,686 18,918 17,627 0,605 0,671 2,003
Sucesso 100 100 100 35 90 100 100 80 100 55 100
VE 0,015 ± 0,836 ± 0,089 ± 0,353 ± -0,021 ± -0,012 ± -0,009 ± -0,195 ± -0,009 ± -0,409 ± 0,024 ±
0,068 2,018 0,735 1,474 0,496 0,139 0,114 0,567 0,064 1,03 1,283
TVE -0,801 ± -0,52 ± -0,149 ± -4,954 ± -6,437 ± -35,796 ± -4,001 ± -0,697 ± -0,969 ± -0,124 ± 0,731 ±
7,612 4,214 7,698 24,555 50,678 130,057 60,646 5,814 2,677 2,16 4,012
MI 0,293 ± 0,874 ± 1,094 ± 0,466 ± 0,299 ± 0,405 ± 0,391 ± 0,357 ± 0,356 ± 0,326 ± 1,116 ±
0,176 0,038 0,099 0,227 0,193 0,043 0,038 0,198 0,159 0,299 0,222
LC 0,423 ± 0,424 ± 0,295 ± 0,483 ± 0,4 ± 0,243 0,573 ± 0,564 ± 0,466 ± 0,514 ± 0,345 ± 0,325 ±
0,254 0,029 0,029 0,214 0,055 0,056 0,244 0,229 0,301 0,068
186
Tabela 94: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para Artificial_2
Artificial_2 ABC 10 (LC) BICACO 8 BIC-aiNet 6 CDE 10 (LC) dFSS 6 (LC) CGA 6 (LC) FSGA 10 GSO 6 (J) MHS 10 NichePSO 7 SwarmBclust
(LC) (LC) (LC) (LC) (J) er 6 (LC)
Tempo 10,297 ± 5,478 ± 0,028 2,216 ± 0,314 10,009 ± 10,259 ± 9,017 ± 0,206 10,094 ± 10,425 ± 9,937 ± 0,041 10,022 ± 6,076 ± 0,032
0,031 0,049 0,062 0,119 0,056 0,074
MSR 18,793 ± 4,706 ± 1,531 1,276 ± 2,015 3,021 ± 4,683 6,079 ± 9,607 22,004 ± 17,433 ± 23,464 ± 4,666 ± 3,692 0,352 ± 1,459 0,361 ± 0,058
(melhor) 9,984 0,972 6,757 13,039
MSR (média) 29,524 ± 28,712 ± 21 ± 0,833 28,369 ± 26,496 ± 24,462 ± 29,721 ± 29,883 ± 29,2 ± 0,423 25,731 ± 0,102 ± 0,005
0,427 0,253 0,519 3,341 0,425 0,455 4,311 2,434
Volume 459,25 ± 723,3 ± 24,4 ± 15,776 88,1 ± 58,1 ± 2.756,75 ± 81,35 ± 7.613,55 ± 197,2 ± 2,2 ± 1,735 141,95 ±
(melhor) 604,627 98,496 182,625 225,125 433,262 100,73 8.758,799 260,433 22,698
Volume 1.816,754 ± 1.442,406 ± 198,65 ± 1.709,938 ± 6.139,475 ± 3.344,684 ± 2.064,888 ± 13.289,102 ± 1.742,232 ± 3.507,127 ± 79,686 ± 1,21
(média) 85,882 85,2 26,173 91,59 1.448,319 241,184 140,926 4.408,712 116,744 379,63
Cobertura 0,995 ± 0,002 0,966 ± 0,008 0,387 ± 0,042 0,991 ± 0,005 1 ± 0 0,638 ± 0,035 0,969 ± 0,009 1±0 0,996 ± 0,002 1±0 0,183 ± 0,005
elementos
Cobertura 1±0 1±0 0,997 ± 0,005 1±0 1±0 0,814 ± 0,045 0,998 ± 0,004 1±0 1±0 1±0 0,224 ± 0,01
linhas e
colunas
Sobreposição 0,088 ± 0,004 0,077 ± 0,004 0,009 ± 0,001 0,083 ± 0,005 0,33 ± 0,067 0,296 ± 0,028 0,111 ± 0,01 0,558 ± 0,27 0,081 ± 0,007 0,131 ± 0,022 0,002 ± 0,001
Jaccard 0,149 ± 0,009 0,153 ± 0,005 0,046 ± 0,003 0,139 ± 0,01 0,184 ± 0,054 0,363 ± 0,026 0,165 ± 0,013 0,433 ± 0,325 0,138 ± 0,01 0,127 ± 0,022 0,399 ± 0,014
Qtd. - 0,25 ± 0,55 0±0 2,05 ± 1,276 0,75 ± 0,716 0,8 ± 0,834 0±0 0,05 ± 0,224 0,15 ± 0,366 0,2 ± 0,41 2,3 ± 1,418 48 ± 0
biclusters
Sucesso 20 0 90 60 60 0 5 15 20 95 100
VE -0,049 ± 0,11 0,196 ± 0,761 -0,063 ± 0,23 -0,042 ± 0,017 ± 0,087 0,003 ± 0,241 -0,001 ± -0,01 ± 0,104 0,342 ± 1,014 0±0 0,2 ± 1,876
0,213 0,098
TVE 0,045 ± 0,139 -0,37 ± 0,775 -0,052 ± -0,091 ± 0,013 ± 0,054 -0,103 ± 0,014 ± 0,117 0,007 ± 0,213 -0,008 ± 0±0 0,077 ± 0,491
0,233 0,448 0,498 0,587
MI 1,094 ± 0,577 0,487 ± 0,064 0,675 ± 0,488 0,309 ± 0,357 0,405 ± 0,568 1,115 ± 0,073 1,153 ± 0,418 1,033 ± 0,475 0,543 ± 0,186 0,092 ± 0,227 0,465 ± 0,197
LC 0,225 ± 0,138 0,315 ± 0,022 0,702 ± 0,39 0,218 ± 0,296 0,271 ± 0,405 0,209 ± 0,018 0,451 ± 0,283 0,185 ± 0,186 0,373 ± 0,18 0,2 ± 0,41 0,762 ± 0,172
RMS 0,005 ± 0,013 0±0 0,04 ± 0,028 0,008 ± 0,018 0,002 ± 0,007 0±0 0±0 0,002 ± 0,007 0,031 ± 0,085 0,011 ± 0,012 0,033 ± 0,001
(biclusters)
RMS 0,155 ± 0,009 0,184 ± 0,007 0,097 ± 0,006 0,155 ± 0,007 0,112 ± 0,025 0,295 ± 0,014 0,146 ± 0,008 0,172 ± 0,032 0,152 ± 0,009 0,11 ± 0,013 0,033 ± 0,001
(população)
CMS 0,005 ± 0,01 0±0 0,036 ± 0,019 0,015 ± 0,023 0,003 ± 0,007 0±0 0±0 0,004 ± 0,009 0,032 ± 0,077 0,008 ± 0,009 0,445 ± 0,007
(biclusters)
CMS 0,259 ± 0,009 0,272 ± 0,009 0,114 ± 0,009 0,251 ± 0,013 0,241 ± 0,054 0,504 ± 0,021 0,271 ± 0,017 0,391 ± 0,084 0,243 ± 0,016 0,216 ± 0,017 0,445 ± 0,007
(população)
MS 0,004 ± 0,01 0±0 0,035 ± 0,021 0,011 ± 0,018 0,003 ± 0,005 0±0 0±0 0,003 ± 0,007 0,028 ± 0,069 0,009 ± 0,007 0,29 ± 0,004
(biclusters)
MS 0,192 ± 0,008 0,216 ± 0,006 0,102 ± 0,007 0,189 ± 0,009 0,159 ± 0,035 0,37 ± 0,014 0,194 ± 0,011 0,248 ± 0,049 0,182 ± 0,01 0,148 ± 0,012 0,29 ± 0,004
(população)
187
Tabela 95: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para Artificial_4
Artificial_4 ABC 10 (LC) BICACO 7 BIC-aiNet 6 CDE 10 (LC) dFSS 10 CGA 6 (LC) FSGA 10 GSO 6 (J) MHS 10 NichePSO 6 SwarmBclust
(J) (LC) (LC) (LC) (LC) (J) er 6 (J)
Tempo 10,307 ± 5,501 ± 0,04 1,834 ± 0,249 10,051 ± 10,325 ± 9,292 ± 0,17 9,995 ± 0,126 10,437 ± 10,01 ± 0,035 10,102 ± 5,645 ± 0,029
0,038 0,042 0,059 0,042 0,056
MSR 14,727 ± 10,86 ± 0,393 1,029 ± 0,892 5,241 ± 3,94 5,028 ± 5,335 14,724 ± 0,66 9,504 ± 5,736 15,053 ± 3,114 ± 2,851 0,351 ± 1,106 0,331 ± 0,071
(melhor) 3,766 11,333
MSR (média) 20,631 ± 18,51 ± 0,191 14,705 ± 19,884 ± 20,745 ± 16,199 ± 19,443 ± 19,002 ± 20,553 ± 18,483 ± 1,993 ± 0,439
0,369 0,641 0,412 0,517 0,335 0,614 6,122 0,418 1,944
Volume 757,15 ± 2.893,75 ± 77,35 ± 343,3 ± 71,2 ± 2.998,4 ± 639,6 ± 11.342,55 ± 151,2 ± 202,2 3,45 ± 4,673 120,15 ±
(melhor) 780,834 189,791 177,218 361,728 254,987 431,212 1.131,727 9.035,297 6,915
Volume 1.780,185 ± 1.628,777 ± 233,162 ± 1.791,147 ± 1.748,533 ± 3.535,208 ± 2.035,79 ± 14.815,774 ± 1.736,252 ± 3.607,632 ± 84,888 ±
(média) 111,036 46,591 29,504 77,663 87,344 179,193 140,47 5.700,171 101,362 458,197 1,249
Cobertura 0,993 ± 0,003 0,937 ± 0,005 0,438 ± 0,041 0,988 ± 0,005 1±0 0,659 ± 0,031 0,932 ± 0,018 1 ± 0 0,992 ± 0,002 1±0 0,185 ± 0,004
elementos
Cobertura 1±0 0,997 ± 0,003 0,997 ± 0,005 1±0 1±0 0,817 ± 0,038 0,99 ± 0,01 1±0 1±0 1±0 0,364 ± 0,012
linhas e
colunas
Sobreposição 0,085 ± 0,006 0,097 ± 0,003 0,011 ± 0,001 0,089 ± 0,006 0,078 ± 0,004 0,291 ± 0,024 0,122 ± 0,013 0,44 ± 0,37 0,082 ± 0,006 0,132 ± 0,023 0,003 ± 0,001
Jaccard 0,143 ± 0,009 0,172 ± 0,003 0,05 ± 0,003 0,146 ± 0,011 0,115 ± 0,006 0,367 ± 0,025 0,179 ± 0,018 0,339 ± 0,397 0,138 ± 0,009 0,125 ± 0,02 0,299 ± 0,003
Qtd. - 0±0 0±0 2,2 ± 1,24 0,45 ± 0,759 0,6 ± 0,883 0±0 0,15 ± 0,366 0,55 ± 0,999 0,35 ± 0,489 2,5 ± 1,539 36,4 ± 2,798
biclusters
Sucesso 0 0 90 30 40 0 15 35 35 90 100
VE 0,023 ± 0,09 0,006 ± 0,105 -0,015 ± -0,009 ± -0,003 ± -0,003 ± -0,009 ± 0,108 ± 0,205 -0 ± 0,041 0,014 ± 0,05 -0,163 ±
0,071 0,055 0,054 0,076 0,064 0,313
TVE -0,003 ± 0,003 ± 0,053 -0,006 ± -0,003 ± -0,008 ± 0,002 ± 0,048 0,01 ± 0,055 -0,006 ± -0,031 ± -0,002 ± 0,012 ± 0,031
0,057 0,097 0,036 0,056 0,037 0,033 0,057
MI 1,105 ± 0,198 0,785 ± 0,018 0,668 ± 0,35 0,54 ± 0,318 0,604 ± 0,481 0,968 ± 0,042 0,887 ± 0,367 0,629 ± 0,475 0,492 ± 0,235 0,166 ± 0,349 0,56 ± 0,245
LC 0,336 ± 0,263 0,149 ± 0,005 0,715 ± 0,243 0,27 ± 0,225 0,401 ± 0,369 0,152 ± 0,012 0,365 ± 0,356 0,056 ± 0,042 0,439 ± 0,284 0,169 ± 0,364 0,855 ± 0,126
RMS 0±0 0±0 0,073 ± 0,055 0,009 ± 0,015 0,005 ± 0,009 0±0 0,003 ± 0,008 0,009 ± 0,013 0,026 ± 0,063 0,015 ± 0,016 0,047 ± 0,001
(biclusters)
RMS 0,17 ± 0,007 0,197 ± 0,004 0,127 ± 0,008 0,174 ± 0,006 0,147 ± 0,005 0,242 ± 0,009 0,174 ± 0,011 0,191 ± 0,059 0,168 ± 0,006 0,131 ± 0,012 0,049 ± 0,001
(população)
CMS 0±0 0±0 0,056 ± 0,037 0,013 ± 0,026 0,01 ± 0,015 0±0 0,006 ± 0,019 0,006 ± 0,011 0,019 ± 0,038 0,013 ± 0,009 0,584 ± 0,008
(biclusters)
CMS 0,264 ± 0,012 0,305 ± 0,007 0,147 ± 0,012 0,264 ± 0,014 0,23 ± 0,008 0,417 ± 0,017 0,292 ± 0,022 0,352 ± 0,122 0,252 ± 0,012 0,218 ± 0,023 0,592 ± 0,008
(população)
MS 0±0 0±0 0,059 ± 0,045 0,009 ± 0,018 0,006 ± 0,01 0±0 0,004 ± 0,012 0,006 ± 0,009 0,023 ± 0,048 0,012 ± 0,008 0,353 ± 0,004
(biclusters)
MS 0,195 ± 0,007 0,226 ± 0,004 0,131 ± 0,01 0,197 ± 0,009 0,17 ± 0,006 0,299 ± 0,01 0,211 ± 0,013 0,229 ± 0,077 0,189 ± 0,007 0,154 ± 0,015 0,357 ± 0,004
(população)
188
Tabela 96: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para Artificial_6
Artificial_6 ABC 10 (LC) BICACO 7 BIC-aiNet 6 CDE 10 (LC) dFSS 10 CGA 6 (LC) FSGA 10 GSO 6 (J) MHS 10 NichePSO 7 SwarmBclust
(LC) (LC) (LC) (LC) (LC) (LC) er 6 (J)
Tempo 10,34 ± 0,078 5,494 ± 0,057 1,854 ± 0,278 10,05 ± 0,099 10,314 ± 9,001 ± 0,174 10,124 ± 10,461 ± 10,016 ± 10,088 ± 5,456 ± 0,077
0,092 0,156 0,081 0,075 0,085
MSR 4,743 ± 8,453 16,038 ± 1,013 ± 0,979 5,424 ± 4,948 4,686 ± 6,528 20,322 ± 15,637 ± 7,22 22,072 ± 8,612 ± 4,088 0,012 ± 0,053 0,324 ± 0,046
(melhor) 0,416 0,751 13,09
MSR (média) 26,931 ± 26,713 ± 18,041 ± 26,219 ± 26,598 ± 22,195 ± 26,776 ± 26,33 ± 7,326 27,065 ± 23,65 ± 2,335 0,355 ± 0,029
0,356 0,219 1,012 0,492 0,823 0,408 0,669 0,384
Volume 306,9 ± 2.290,25 ± 27,25 ± 120,6 ± 9,6 ± 15,132 2.658 ± 209,75 ± 11.319,55 ± 446,55 ± 2,05 ± 1,432 116,25 ± 7,84
(melhor) 807,315 112,321 16,412 197,697 449,53 566,903 8.207,284 290,399
Volume 1.802,907 ± 1.608,2 ± 249,206 ± 1.712,766 ± 1.708,544 ± 3.104,942 ± 1.997,903 ± 13.996,314 ± 1.711,497 ± 3.453,164 ± 89,926 ±
(média) 89,986 54,186 34,521 95,781 82,928 197,248 161,729 4.773,579 87,314 372,313 1,136
Cobertura 0,996 ± 0,002 0,972 ± 0,006 0,458 ± 0,045 0,99 ± 0,004 1±0 0,627 ± 0,027 0,957 ± 0,015 1±0 0,995 ± 0,002 1±0 0,206 ± 0,004
elementos
Cobertura 1±0 1±0 0,995 ± 0,006 1±0 1±0 0,819 ± 0,033 0,996 ± 0,007 1±0 1±0 1±0 0,457 ± 0,013
linhas e
colunas
Sobreposição 0,087 ± 0,006 0,086 ± 0,003 0,012 ± 0,002 0,083 ± 0,006 0,075 ± 0,005 0,273 ± 0,018 0,112 ± 0,014 0,547 ± 0,309 0,08 ± 0,004 0,127 ± 0,019 0,003 ± 0,001
Jaccard 0,147 ± 0,01 0,16 ± 0,004 0,049 ± 0,003 0,143 ± 0,01 0,111 ± 0,008 0,348 ± 0,016 0,17 ± 0,021 0,445 ± 0,382 0,142 ± 0,01 0,121 ± 0,019 0,289 ± 0,004
Qtd. - 0,7 ± 0,571 0±0 2,4 ± 1,392 0,45 ± 0,686 0,8 ± 1,196 0±0 0,1 ± 0,308 0,3 ± 0,571 0,15 ± 0,489 3,05 ± 1,504 48 ± 0
biclusters
Sucesso 65 0 95 35 45 0 10 25 10 100 100
VE 0,077 ± 0,32 -0,045 ± -0,103 ± 0,24 0,101 ± 0,184 -0,058 ± 0,17 -0,139 ± 0,52 0,028 ± 0,215 -0,395 ± 0,011 ± 0,409 0±0 -0,701 ±
0,535 0,705 3,795
TVE 0,084 ± 0,373 -0,017 ± 0,08 ± 0,258 0,166 ± 0,391 0,004 ± 0,129 -0,078 ± -0,056 ± -0,055 ± 0,23 ± 0,607 0±0 0,037 ± 0,268
0,499 0,381 0,276 0,334
MI 0,44 ± 0,465 0,972 ± 0,013 0,771 ± 0,284 0,514 ± 0,36 0,575 ± 0,473 1,103 ± 0,034 0,914 ± 0,354 0,816 ± 0,439 0,739 ± 0,291 0,069 ± 0,213 0,837 ± 0,226
LC 0,418 ± 0,444 0,194 ± 0,003 0,789 ± 0,209 0,449 ± 0,377 0,58 ± 0,448 0,2 ± 0,014 0,627 ± 0,323 0,15 ± 0,208 0,345 ± 0,246 0,1 ± 0,308 0,937 ± 0,034
RMS 0,027 ± 0,027 0±0 0,074 ± 0,027 0,01 ± 0,015 0,02 ± 0,025 0±0 0,007 ± 0,021 0,007 ± 0,013 0,004 ± 0,013 0,03 ± 0,006 0,06 ± 0,001
(biclusters)
RMS 0,166 ± 0,004 0,168 ± 0,003 0,144 ± 0,01 0,164 ± 0,003 0,144 ± 0,006 0,209 ± 0,011 0,162 ± 0,007 0,178 ± 0,04 0,166 ± 0,006 0,131 ± 0,009 0,061 ± 0,001
(população)
CMS 0,025 ± 0,021 0±0 0,056 ± 0,03 0,012 ± 0,019 0,015 ± 0,018 0±0 0,004 ± 0,012 0,007 ± 0,013 0,003 ± 0,01 0,028 ± 0,007 0,604 ± 0,006
(biclusters)
CMS 0,262 ± 0,01 0,284 ± 0,005 0,166 ± 0,013 0,253 ± 0,009 0,233 ± 0,008 0,406 ± 0,017 0,272 ± 0,019 0,368 ± 0,099 0,246 ± 0,008 0,219 ± 0,023 0,607 ± 0,006
(população)
MS 0,024 ± 0,021 0±0 0,059 ± 0,022 0,01 ± 0,015 0,012 ± 0,015 0±0 0,004 ± 0,012 0,005 ± 0,01 0,003 ± 0,01 0,021 ± 0,007 0,383 ± 0,004
(biclusters)
MS 0,187 ± 0,006 0,197 ± 0,004 0,148 ± 0,011 0,183 ± 0,005 0,166 ± 0,006 0,267 ± 0,011 0,192 ± 0,01 0,233 ± 0,058 0,181 ± 0,006 0,151 ± 0,013 0,385 ± 0,003
(população)
189
Tabela 97: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para Arabidopsis
Arabidopsis ABC 9 (J) BICACO 6 BIC-aiNet 6 CDE 8 (J) dFSS 10 (J) CGA 6 FSGA 6 (J) GSO 10 MHS 7 (J) NichePSO SwarmBclu
(J) (LC) (LC) (LC) 10 (J) ster 6 (J)
Tempo 31,231 ± 51,262 ± 1,534 ± 30,976 ± 31,161 ± 31,629 ± 32,288 ± 30,514 ± 30,489 ± 31,207 ± 17,217 ±
0,038 0,05 0,117 0,058 0,117 0,426 0,295 0,09 0,062 0,104 0,535
MSR 464,26 ± 585,645 ± 504,282 ± 446,541 ± 554,817 ± 670,54 ± 672,142 ± 445,903 ± 313,765 ± 414,453 ± 143,872 ±
(melhor) 192,602 216,754 118,988 204,118 129,276 18,142 16,697 167,104 229,626 165,028 215,296
MSR 11.802,993 3.854,482 ± 1.362,445 ± 10.433,615 2.513,321 ± 691,795 ± 626,689 ± 2.900,392 ± 9.524,674 ± 5.107,118 ± 4.535,173 ±
(média) ± 1.394,727 549,593 ± 9.009,51 842,122 13,851 378,991 2.216,202 4.061,979 5.318,818 3.485,924
10.507,742
Volume 958,55 ± 22.545,15 ± 1.711,45 ± 6.426,9 ± 4.105,65 ± 17.588,9 ± 22.106,85 ± 1.282,8 ± 174,25 ± 2.318,9 ± 245,7 ±
(melhor) 1.587,917 17.932,876 549,532 10.791,698 2.978,27 1.232,682 1.520,855 1.363,8 229,25 3.138,661 449,238
Volume 5.673,261 ± 2.227,167 ± 663,938 ± 7.010,661 ± 4.347,542 ± 14.009,08 ± 5.672,174 ± 4.429,251 ± 6.618,15 ± 3.533,961 ± 925,315 ±
(média) 400,611 651,099 47,793 589,523 284,269 663,646 787,016 319,181 582,228 177,765 47,489
Cobertura 1±0 0,955 ± 0,486 ± 1±0 1±0 0,88 ± 0,925 ± 1±0 1±0 1±0 0,882 ±
elementos 0,006 0,026 0,018 0,017 0,016
Cobertura 1±0 0,956 ± 0,867 ± 1±0 1±0 0,959 ± 0,965 ± 1±0 1±0 1±0 0,921 ±
linhas e 0,006 0,014 0,019 0,018 0,013
colunas
Sobreposi- 0,094 ± 0,026 ± 0,012 ± 0,106 ± 0,078 ± 0,316 ± 0,075 ± 0,07 ± 0,102 ± 0,053 ± 0,007 ±
ção 0,009 0,003 0,001 0,011 0,006 0,018 0,017 0,007 0,013 0,004 0,002
Jaccard 0,077 ± 0,062 ± 0,061 ± 0,08 ± 0,096 ± 0,354 ± 0,09 ± 0,075 ± 0,065 ± 0,067 ± 0,149 ±
0,009 0,013 0,003 0,011 0,009 0,024 0,022 0,006 0,008 0,005 0,011
Qtd. - 13,05 ± 21,95 ± 30,2 ± 11,8 ± 10,75 ± 7,05 ± 20,25 ± 14,35 ± 12 ± 3,713 13,2 ± 34,95 ±
biclusters 2,665 3,62 4,287 2,587 2,673 1,146 3,905 3,265 2,441 2,012
Sucesso 100 100 100 100 100 100 100 100 100 100 100
VE 0,017 ± -0,043 ± -0,003 ± 0,01 ± 0,01 ± -0,046 ± -0,035 ± 0,019 ± -0,014 ± -0,026 ± -0,011 ±
0,049 0,144 0,106 0,107 0,071 0,052 0,081 0,074 0,026 0,066 0,062
TVE -0 ± 0,042 0,002 ± 0,012 ± -0,018 ± 0,003 ± -0,01 ± 0,001 ± 0,001 ± -0 ± 0,048 0,002 ± 0,01 ±
0,024 0,037 0,066 0,038 0,028 0,031 0,029 0,031 0,029
MI 1,27 ± 1,12 ± 0,43 1,348 ± 1,222 ± 1,316 ± 1,277 ± 1,264 ± 1,391 ± 0,957 ± 1,303 ± 0,899 ±
0,243 0,062 0,206 0,078 0,04 0,026 0,101 0,359 0,097 0,78
LC 0,262 ± 0,172 ± 0,134 ± 0,331 ± 0,167 ± 0,109 ± 0,103 ± 0,204 ± 0,555 ± 0,217 ± 0,191 ±
0,117 0,22 0,013 0,234 0,028 0,004 0,005 0,035 0,273 0,073 0,282
190
Tabela 98: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para Brain_1
Brain_1 ABC 9 (J) BICACO 6 BIC-aiNet 6 CDE 6 (LC) dFSS 9 CGA 6 FSGA 6 (J) GSO 10 MHS 6 NichePSO SwarmBclu
(J) (LC) (LC) (LC) (LC) (LC) 10 (J) ster 6 (J)
Tempo 57,456 ± 97,524 ± 2,146 ± 56,778 ± 56,738 ± 59,169 ± 59,091 ± 55,389 ± 55,83 ± 57,458 ± 32,201 ±
0,199 0,046 0,161 0,118 0,255 0,503 0,453 0,272 0,169 0,245 1,012
MSR 4.958,517 ± 0±0 6.007,645 ± 1.341,143 ± 5.953,886 ± 8.619,742 ± 8.449,534 ± 5.713,689 ± 989,352 ± 5.712,622 ± 4.482,294 ±
(melhor) 2.849,247 1.993,763 2.330,322 1.966,749 237,769 322,713 2.440,229 2.034,791 2.350,425 154,211
MSR 33.598,82 ± 76.794,372 8.710,365 ± 63.445,82 ± 20.863,477 9.214,914 ± 8.559,622 ± 17.298,306 61.680,798 33.192,706 9.833,037 ±
(média) 16.669,02 ± 1.229,177 31.552,529 ± 4.354,875 410,339 2.896,669 ± 2.629,792 ± ± 3.230,924
14.112,785 21.678,503 21.148,407
Volume 2.926,25 ± 46,55 ± 1.638,8 ± 264,8 ± 3.592,4 ± 23.319,6 ± 29.340,35 ± 791,55 ± 533,2 ± 3.910,1 ± 56.483,2 ±
(melhor) 6.869,04 1,356 361,31 200,104 5.450,918 1.435,038 2.065,041 1.038,423 472,778 7.058,57 362,248
Volume 7.435,703 ± 2.107,614 ± 487,155 ± 7.262,63 ± 8.545,195 ± 17.603,068 5.552,912 ± 5.575,427 ± 5.487,541 ± 4.579,571 ± 1.721,998 ±
(média) 622,307 190,541 48,442 1.738,348 836,798 ± 1.157,186 602,864 380,568 1.414,322 193,442 210,57
Cobertura 1±0 0,993 ± 0,295 ± 0,998 ± 1±0 0,787 ± 0,837 ± 1±0 0,993 ± 1±0 0,886 ±
elementos 0,001 0,025 0,002 0,032 0,021 0,007 0,009
Cobertura 1±0 0,993 ± 0,61 ± 1±0 1±0 0,867 ± 0,881 ± 1±0 0,997 ± 1±0 0,907 ±
linhas e 0,001 0,024 0,046 0,027 0,007 0,01
colunas
Sobreposi- 0,089 ± 0,016 ± 0,007 ± 0,095 ± 0,109 ± 0,326 ± 0,059 ± 0,054 ± 0,075 ± 0,05 ± 0,013 ±
ção 0,011 0,004 0,001 0,026 0,013 0,029 0,011 0,007 0,013 0,003 0,002
Jaccard 0,068 ± 0,18 ± 0,062 ± 0,059 ± 0,072 ± 0,318 ± 0,1 ± 0,026 0,057 ± 0,048 ± 0,058 ± 0,258 ±
0,012 0,035 0,004 0,013 0,009 0,038 0,006 0,01 0,004 0,011
Qtd. - 8,7 ± 3,181 15,5 ± 33,9 ± 9,3 ± 2,867 10,3 ± 6,5 ± 1,051 22,95 ± 10,8 ± 11,3 ± 8,6 ± 2,836 41,2 ±
biclusters 2,947 2,553 2,577 3,72 2,505 2,716 1,765
Sucesso 100 100 100 100 100 100 100 100 100 100 100
VE -0,03 ± 0±0 -0,038 ± 0,003 ± -0,026 ± 0,161 ± -0,275 ± -0,009 ± 0,004 ± 0,03 ± -0,747 ±
0,232 0,243 0,022 0,369 0,468 0,605 0,199 0,017 0,221 0,556
TVE -0,009 ± 0±0 -0,021 ± -0,106 ± -0,066 ± 0,016 ± -0,294 ± -0,022 ± 0,046 ± 0,039 ± 0,044 ±
0,253 0,353 0,489 0,512 0,545 0,555 0,254 0,206 0,355 0,555
MI 1,391 ± 0±0 2,524 ± 0,185 ± 1,946 ± 2,48 ± 2,528 ± 1,939 ± 0,12 ± 1,799 ± 2,673 ±
0,739 0,118 0,291 0,481 0,066 0,05 0,339 0,247 0,511 0,004
LC 0,464 ± 0±0 0,286 ± 0,274 ± 0,348 ± 0,271 ± 0,269 ± 0,359 ± 0,18 ± 0,37 0,377 ± 0,258 ± 0
0,269 0,023 0,43 0,089 0,015 0,014 0,059 0,112
191
Tabela 99: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para Brain_2
Brain_2 ABC 9 (J) BICACO 6 BIC-aiNet 6 CDE 7 (LC) dFSS 9 (J) CGA 6 FSGA 6 GSO 10 MHS 7 (J) NichePSO SwarmBclu
(J) (LC) (LC) (LC) (LC) 10 (J) ster 6 (J)
Tempo 56,032 ± 95,794 ± 1,874 ± 55,67 ± 55,815 ± 57,982 ± 57,772 ± 54,465 ± 54,784 ± 56,399 ± 40,65 ±
0,073 0,044 0,164 0,113 0,246 0,52 0,453 0,238 0,105 0,125 1,098
MSR 128.186,425 0±0 177.708,304 83.158,493 166.629,696 276.227,223 264.565,979 123.707,84 83.075,758 130.875,355 230.778,937
(melhor) ± ± ± ± ± 9.222,478 ± ± ± ± ±
90.938,848 71.711,203 100.181,455 69.419,789 18.132,706 82.549,786 106.001,463 86.746,352 15.032,228
MSR 1.164.210,2 3.052.689,1 293.440,878 1.842.121,9 775.795,152 305.953,941 274.750,169 637.107,498 1.706.913,5 937.718,98 1.429.542,7
(média) 68 ± 25 ± ± 78 ± ± ± ± ± 65 ± ± 91 ±
209.220,227 546.417,147 41.506,792 503.495,602 185.567,759 20.912,192 100.755,753 67.570,956 557.548,093 170.816,404 322.479,561
Volume 2.023,7 ± 39,6 ± 1.354,75 ± 57,05 ± 2.699,9 ± 18.623,8 ± 23.296,5 ± 439,55 ± 108,45 ± 1.835,15 ± 50.156,4 ±
(melhor) 4.721,726 1,429 349,554 79,017 3.738,869 1.637,61 1.147,496 577,196 107,775 3.825,714 316,536
Volume 5.746,095 ± 1.897,662 ± 411,672 ± 6.767,484 ± 6.785,135 ± 13.513,388 4.743,436 ± 4.711,822 ± 5.908,095 ± 3.714,239 ± 1.215,712 ±
(média) 668,424 182,448 63,973 729,033 487,339 ± 1.171,078 809,799 338,765 555,059 189,551 54,889
Cobertura 1 ± 0,001 0,99 ± 0,296 ± 1±0 1±0 0,778 ± 0,823 ± 1±0 1 ± 0,001 1±0 0,909 ±
elementos 0,001 0,039 0,038 0,036 0,008
Cobertura 1±0 0,99 ± 0,582 ± 1±0 1±0 0,864 ± 0,878 ± 1±0 1±0 1±0 0,928 ±
linhas e 0,001 0,037 0,04 0,05 0,008
colunas
Sobreposi- 0,085 ± 0,015 ± 0,007 ± 0,091 ± 0,103 ± 0,304 ± 0,062 ± 0,055 ± 0,075 ± 0,049 ± 0,008 ±
ção 0,011 0,004 0,001 0,014 0,008 0,031 0,014 0,005 0,01 0,003 0,002
Jaccard 0,065 ± 0,228 ± 0,064 ± 0,061 ± 0,069 ± 0,298 ± 0,087 ± 0,057 ± 0,055 ± 0,057 ± 0,247 ±
0,012 0,05 0,007 0,011 0,006 0,041 0,02 0,004 0,007 0,004 0,015
Qtd. - 9,7 ± 3,278 16 ± 3,129 33,3 ± 9,65 ± 10,25 ± 6,3 ± 1,174 22,65 ± 10,85 ± 11,25 ± 10 ± 2,791 35,7 ±
biclusters 2,598 2,346 2,712 5,324 1,981 2,673 2,179
Sucesso 100 100 100 100 100 100 100 100 100 100 100
VE -0,001 ± 0±0 0,009 ± 0,012 ± 0,031 ± 0,014 ± 0,066 ± 0,025 ± -0,01 ± -0,073 ± 0,579 ±
0,14 0,211 0,059 0,125 0,582 0,503 0,121 0,092 0,187 0,302
TVE -0,035 ± 0±0 -0,074 ± -0,064 ± -0,054 ± 0,067 ± 0,078 ± -0,014 ± -0,084 ± -0,118 ± 0,072 ±
0,332 0,27 0,196 0,193 0,434 0,389 0,203 0,496 0,369 0,513
MI 0,558 ± 0±0 0,87 ± 0,26 ± 0,754 ± 0,849 ± 0,864 ± 0,648 ± 0,212 ± 0,652 ± 0,896 ±
0,181 0,098 0,292 0,177 0,034 0,028 0,136 0,254 0,162 0,003
LC 0,35 ± 0±0 0,19 ± 0,232 ± 0,265 ± 0,183 ± 0,174 ± 0,27 ± 0,212 ± 0,276 ± 0,15 ± 0
0,123 0,021 0,253 0,069 0,007 0,004 0,045 0,252 0,064
192
Tabela 100: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para Breast_Colon
Breast_Colo ABC 6 (J) BICACO 6 BIC-aiNet 6 CDE 6 (LC) dFSS 9 CGA 6 FSGA 6 GSO 10 (J) MHS 6 NichePSO SwarmBclu
n (LC) (LC) (LC) (LC) (LC) (LC) 10 (J) ster 6 (J)
Tempo 9,987 ± 14,72 ± 0,685 ± 9,875 ± 9,994 ± 10,52 ± 11,589 ± 9,894 ± 9,686 ± 10,123 ± 5,671 ±
0,032 0,041 0,074 0,048 0,084 0,204 0,181 0,041 0,044 0,11 0,118
MSR 0±0 6.985,698 ± 17.342,133 0±0 15.958,206 20.630,888 20.639,584 12.026,348 0±0 10.140,291 15.591,156
(melhor) 8.455,97 ± 3.912,304 ± 5.613,489 ± 790,711 ± 848,962 ± 6.832,1 ± 4.958,015 ± 5.220,934
MSR 745.295,802 28.706,329 83.833,737 169.627,335 303.403,391 22.161,609 25.450,414 222.182,777 107.860,781 270.929,686 119.752,933
(média) ± ± ± ± ± ± 938,41 ± 5.107,247 ± ± ± ± 43.987,03
300.356,26 28.781,074 24.857,987 69.479,666 158.054,024 58.168,095 60.878,228 85.454,667
Volume 29,45 ± 133,6 ± 4.979,75 ± 74,45 ± 2.491,2 ± 7.322,15 ± 10.120,85 ± 186,4 ± 71,45 ± 758,65 ± 10.140,8 ±
(melhor) 19,798 43,756 4.391,962 22,075 2.412,714 561,277 817,033 227,463 32,14 1.996,636 5.349,344
Volume 2.097,796 ± 942,459 ± 818,771 ± 1.701,55 ± 2.575,978 ± 5.558,856 ± 3.179,686 ± 1.712,24 ± 2.525,069 ± 1.403,455 ± 754,36 ±
(média) 814,704 148,187 106,252 678,145 267,028 329,555 767,651 89,519 1.211,738 100,427 113,158
Cobertura 1±0 0,898 ± 0,898 ± 0,977 ± 1±0 0,863 ± 0,91 ± 1±0 0,955 ± 1±0 0,939 ±
elementos 0,005 0,036 0,004 0,021 0,008 0,011 0,016
Cobertura 1±0 0,9 ± 0,005 1 ± 0,001 0,982 ± 1±0 0,915 ± 0,924 ± 1±0 0,96 ± 1±0 0,997 ±
linhas e 0,006 0,01 0,007 0,011 0,004
colunas
Sobreposi- 0,088 ± 0,021 ± 0,042 ± 0,046 ± 0,116 ± 0,343 ± 0,117 ± 0,078 ± 0,094 ± 0,051 ± 0,023 ±
ção 0,022 0,008 0,006 0,02 0,014 0,029 0,036 0,005 0,058 0,005 0,004
Jaccard 0,07 ± 0,189 ± 0,085 ± 0,067 ± 0,111 ± 0,404 ± 0,128 ± 0,11 ± 0,074 ± 0,079 ± 0,144 ±
0,017 0,045 0,004 0,018 0,014 0,029 0,037 0,007 0,03 0,006 0,015
Qtd. - 7,35 ± 14,4 ± 16 ± 3,907 11,15 ± 8,55 ± 6,7 ± 0,865 9,7 ± 3,197 6,4 ± 2,371 7,1 ± 2,864 8,6 ± 1,698 30,05 ±
biclusters 1,954 3,033 2,059 3,187 3,379
Sucesso 100 100 100 100 100 100 100 100 100 100 100
VE 0±0 -0,027 ± 0,085 ± 0±0 0,084 ± -0,03 ± -0,2 ± 0,69 -0,001 ± 0±0 0,019 ± 0,9 ± 0,93
0,084 0,459 0,392 0,297 0,129 0,194
TVE 0±0 -0,01 ± -0,167 ± 0±0 -0,051 ± 0,167 ± -0,013 ± 0,095 ± 0±0 0,086 ± 0,014 ±
0,023 0,749 0,437 0,512 0,593 0,272 0,198 0,374
MI 0±0 0,342 ± 1,763 ± 0±0 1,445 ± 1,802 ± 1,83 ± 1,161 ± 0±0 1,147 ± 1,774 ±
0,45 0,137 0,401 0,084 0,082 0,425 0,376 0,228
LC 0±0 0,272 ± 0,261 ± 0±0 0,355 ± 0,245 ± 0,241 ± 0,391 ± 0±0 0,467 ± 0,259 ±
0,312 0,03 0,175 0,011 0,012 0,141 0,15 0,038
193
Tabela 101: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para Lung
Lung ABC 7 (J) BICACO 6 BIC-aiNet 6 CDE 6 (J) dFSS 10 (J) CGA 6 FSGA 6 GSO 10 (J) MHS 6 (J) NichePSO SwarmBclu
(J) (LC) (LC) (LC) 10 (LC) ster 6 (J)
Tempo 86,062 ± 150,342 ± 11,772 ± 85,637 ± 85,285 ± 86,617 ± 88,332 ± 82,628 ± 84,831 ± 86,106 ± 62,756 ±
0,12 0,148 0,829 0,203 0,227 0,743 0,769 0,309 0,249 0,153 2,02
MSR 4.704,361 ± 0±0 24.599,725 3.430,307 ± 26.785,126 33.876,748 32.934,585 23.375,477 5.060,596 ± 19.141,717 13.867,196
(melhor) 8.793,988 ± 6.990,798 8.090,54 ± 6.089,71 ± 1.434,517 ± 1.635,508 ± 8.642,113 10.748,531 ± ± 1.529,876
11.125,872
MSR 655.714,997 86.949,884 29.361,895 656.324,093 72.164,195 34.726,583 44.464,334 61.931,698 594.413,058 135.089,036 73.489,45 ±
(média) ± ± ± 4.423,96 ± ± 4.708,772 ± 541,607 ± ± ± ± 28.675,368
135.380,671 82.340,561 199.018,109 14.409,997 12.047,187 173.516,554 21.475,683
Volume 7,1 ± 8,813 199,4 ± 10.339 ± 32,8 ± 36.797,55 ± 115.798,15 150.791,1 ± 3.867,75 ± 66,05 ± 13.560,75 ± 267.797,6 ±
(melhor) 1,635 2.798,388 21,985 18.460,325 ± 4.927,235 7.397,073 5.089,655 51,749 24.613,649 15.415,708
Volume 31.831,246 26.350,424 1.983,016 ± 23.172,773 34.410,255 99.259,196 25.795,932 27.603,358 18.783,186 26.001,619 6.085,677 ±
(média) ± 3.978,173 ± 3.973,778 291,665 ± ± 1.819,119 ± 1.966,029 ± 2.605,259 ± 1.767,904 ± 8.889,968 ± 771,746 566,606
12.595,704
Cobertura 1±0 0,997 ± 0,269 ± 1±0 1±0 0,933 ± 0,979 ± 1±0 1±0 1±0 0,896 ±
elementos 0,001 0,035 0,018 0,002 0,008
Cobertura 1±0 0,997 ± 0,755 ± 1±0 1±0 0,983 ± 0,992 ± 1±0 1±0 1±0 0,912 ±
linhas e 0,001 0,028 0,007 0,001 0,009
colunas
Sobreposi- 0,113 ± 0,01 ± 0,01 0,006 ± 0,072 ± 0,104 ± 0,34 ± 0,068 ± 0,062 ± 0,055 ± 0,068 ± 0,004 ±
ção 0,021 0,001 0,021 0,006 0,015 0,01 0,006 0,008 0,003 0,001
Jaccard 0,062 ± 0,257 ± 0,038 ± 0,061 ± 0,136 ± 0,373 ± 0,075 ± 0,068 ± 0,061 ± 0,081 ± 0,271 ±
0,006 0,061 0,003 0,015 0,012 0,019 0,017 0,007 0,01 0,004 0,013
Qtd. - 6,6 ± 1,818 10,3 ± 37,45 ± 10,45 ± 5,45 ± 7,4 ± 0,821 26,9 ± 13,65 ± 11,9 ± 4,6 ± 1,698 38,5 ± 3
biclusters 2,003 2,704 3,364 1,395 3,523 3,36 2,713
Sucesso 100 100 100 100 100 100 100 100 100 95 100
VE 0,041 ± 0±0 0,071 ± 0,297 ± 0,032 ± 0,168 ± 0,05 ± -0,051 ± -0,126 ± -0,013 ± 0,13 ±
0,185 0,231 0,938 0,454 0,679 0,691 0,207 1,049 0,251 0,539
TVE -0 ± 0,018 0±0 -0,144 ± -0,001 ± -0,242 ± -0,077 ± 0,151 ± 0,055 ± 0,009 ± -0,394 ± 0,28 ±
1,058 0,029 1,586 1,856 2,273 0,665 0,061 1,425 1,193
MI 0,436 ± 0±0 2,512 ± 0,771 ± 2,517 ± 2,537 ± 2,5 ± 0,028 2,137 ± 0,717 ± 2,133 ± 2,324 ±
0,667 0,099 1,413 0,09 0,041 0,323 1,565 0,349 0,011
LC 0,348 ± 0±0 0,182 ± 0,249 ± 0,18 ± 0,169 ± 0,166 ± 0,231 ± 0,198 ± 0,256 ± 0,174 ±
0,487 0,015 0,442 0,014 0,006 0,004 0,063 0,406 0,115 0,002
194
Tabela 102: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para Multitissue
Multitissue ABC 6 (J) BICACO 6 BIC-aiNet 6 CDE 6 (LC) dFSS 10 (J) CGA 6 FSGA 6 (J) GSO 10 MHS 6 NichePSO SwarmBclu
(J) (LC) (LC) (LC) (LC) 10 (J) ster 6 (J)
Tempo 76,418 ± 125,764 ± 9,343 ± 75,824 ± 75,425 ± 76,966 ± 78,263 ± 72,922 ± 74,868 ± 75,748 ± 54,121 ±
0,162 0,165 0,667 0,215 0,362 1,082 0,697 0,26 0,147 0,214 1,599
MSR 0±0 57.489,456 131.462,8 ± 0±0 119.479,145 162.495,096 157.055,481 93.871,963 3.613,161 ± 65.028,334 121.776,612
(melhor) ± 25.210,53 ± ± 4.357,713 ± 7.104,267 ± 16.158,549 ± ±
77.787,523 31.064,448 52.128,383 46.146,102 16.763,261
MSR 902.167,514 3.892.174,7 227.669,93 1.061.856,7 347.137,945 164.248,911 269.371,861 323.759,724 1.386.206,6 553.886,204 800.439,835
(média) ± 41 ± ± 65 ± ± ± 2.328,989 ± ± 57 ± ± ±
366.805,272 871.746,359 33.801,861 494.692,142 19.261,821 202.874,926 49.647,537 490.900,036 123.269,56 171.830,155
Volume 324,5 ± 66.970,1 ± 5.266,8 ± 397,2 ± 27.705,05 ± 91.193,55 ± 118.121,3 ± 2.289,35 ± 344,1 ± 22.229,85 ± 213.259,4 ±
(melhor) 338,812 104.467,913 2.077,215 303,492 12.089,689 4.507,794 4.244,015 3.005,725 248,16 33.846,464 6.270,148
Volume 19.618,877 10.486,665 1.797,926 ± 31.283,015 28.067,803 78.997,264 22.639,61 ± 23.822,703 16.928,168 21.560,837 7.408,682 ±
(média) ± 6.892,592 ± 3.716,443 260,345 ± 8.535,21 ± 1.035,285 ± 2.930,196 2.370,177 ± 1.080,65 ± 4.113,81 ± 882,44 1.361,136
Cobertura 1±0 0,999 ± 0 0,292 ± 0,997 ± 1±0 0,903 ± 0,942 ± 1±0 0,995 ± 1±0 0,871 ±
elementos 0,035 0,003 0,014 0,006 0,003 0,032
Cobertura 1±0 0,999 ± 0 0,81 ± 0,03 0,999 ± 1±0 0,959 ± 0,965 ± 1±0 0,997 ± 1±0 0,906 ±
linhas e 0,002 0,009 0,007 0,003 0,029
colunas
Sobreposi- 0,062 ± 0,022 ± 0,006 ± 0,101 ± 0,102 ± 0,345 ± 0,07 ± 0,065 ± 0,082 ± 0,068 ± 0,01 ±
ção 0,027 0,003 0,001 0,022 0,004 0,019 0,011 0,005 0,016 0,003 0,004
Jaccard 0,042 ± 0,068 ± 0,039 ± 0,073 ± 0,136 ± 0,379 ± 0,076 ± 0,072 ± 0,051 ± 0,083 ± 0,218 ±
0,011 0,014 0,004 0,018 0,008 0,021 0,025 0,006 0,009 0,004 0,019
Qtd. - 9,2 ± 3,982 17,45 ± 23,8 ± 8,25 ± 2,9 4,95 ± 8,15 ± 27,7 ± 11,75 ± 9,4 ± 2,137 5 ± 2,428 34,2 ±
biclusters 3,62 3,592 1,905 0,671 5,141 1,916 3,054
Sucesso 100 100 100 100 100 100 100 100 100 100 100
VE 0±0 -0,106 ± 0,078 ± 0±0 0,149 ± -0,239 ± 0,057 ± -0,032 ± 0,001 ± 0,06 ± 0,188 ±
0,467 0,399 0,396 0,629 0,93 0,159 0,004 0,374 0,962
TVE 0±0 0,009 ± -0,047 ± 0±0 -0,146 ± 0,085 ± 0,077 ± -0,063 ± 0±0 0,12 ± 0,1 ± 0,327
0,063 0,217 0,318 0,25 0,361 0,193 0,288
MI 0±0 0,313 ± 0,751 ± 0±0 0,655 ± 0,755 ± 0,751 ± 0,61 ± 0,018 ± 0,551 ± 0,756 ±
0,407 0,065 0,057 0,025 0,023 0,131 0,079 0,135 0,016
LC 0±0 0,13 ± 0,181 ± 0±0 0,157 ± 0,139 ± 0,126 ± 0,216 ± 0,026 ± 0,213 ± 0,15 ±
0,246 0,019 0,024 0,015 0,007 0,049 0,114 0,087 0,011
195
Tabela 103: Resultado da Fusão Direta com um algoritmo (sem sobreposição) para Yeast
Yeast ABC 6 (J) BICACO 8 BIC-aiNet 6 CDE 6 (LC) dFSS 9 CGA 6 FSGA 6 GSO 10 MHS 6 NichePSO 8 SwarmBclu
(LC) (LC) (LC) (LC) (LC) (LC) (LC) (J) ster 6 (J)
Tempo 115,417 ± 96,33 ± 1,813 ± 115,427 ± 113,471 ± 119 ± 1,222 117,126 ± 112,858 ± 113,061 ± 116,665 ± 10,491 ±
0,093 1,025 0,142 0,178 4,326 1,333 0,346 0,168 0,383 0,558
MSR 0±0 286,631 ± 297,343 ± 55,475 ± 182,219 ± 241,184 ± 239,145 ± 155,888 ± 0±0 120,434 ± 239,443 ±
(melhor) 10,283 1,765 113,883 103,89 32,779 26,827 96,501 111,198 57,341
MSR 538,877 ± 480,984 ± 353,993 ± 426,76 ± 775,783 ± 242,756 ± 261,567 ± 773,994 ± 415,634 ± 732,352 ± 223,586 ±
(média) 86,807 17,719 31,639 60,334 72,918 41,445 87,115 59,587 74,381 80,27 21,608
Volume 475,8 ± 8.793,85 ± 702,5 ± 974,15 ± 21,5 ± 3.244,9 ± 3.717,1 ± 167,9 ± 603,05 ± 103,7 ± 2.765,9 ±
(melhor) 348,329 1.755,182 236,101 879,522 19,83 55,427 80,204 655,679 417,612 193,991 1.116,541
Volume 3.312,338 ± 1.275,779 ± 373,102 ± 4.240,757 ± 4.610,836 ± 2.440,87 ± 755,971 ± 3.291,007 ± 3.533,175 ± 2.784,812 ± 1.259,747 ±
(média) 707,729 86,457 60,082 578,293 498,002 430,683 98,904 242,044 956,095 275,993 106,386
Cobertura 1±0 0,652 ± 0,306 ± 0,895 ± 1±0 0,328 ± 0,424 ± 1±0 0,909 ± 1±0 0,605 ±
elementos 0,018 0,039 0,033 0,051 0,067 0,061 0,025
Cobertura 1±0 0,888 ± 0,48 ± 0,935 ± 1±0 0,433 ± 0,523 ± 1±0 0,935 ± 1±0 0,704 ±
linhas e 0,017 0,027 0,046 0,075 0,097 0,057 0,015
colunas
Sobreposi- 0,068 ± 0,031 ± 0,007 ± 0,073 ± 0,082 ± 0,066 ± 0,016 ± 0,043 ± 0,064 ± 0,037 ± 0,033 ±
ção 0,014 0,004 0,001 0,011 0,011 0,021 0,008 0,005 0,016 0,004 0,003
Jaccard 0,042 ± 0,055 ± 0,038 ± 0,058 ± 0,047 ± 0,229 ± 0,059 ± 0,041 ± 0,048 ± 0,039 ± 0,054 ±
0,007 0,005 0,005 0,016 0,005 0,06 0,017 0,004 0,014 0,004 0,004
Qtd. - 9,6 ± 2,062 5,1 ± 1,971 25,3 ± 12,75 ± 7,55 ± 6,95 ± 1,05 25,55 ± 7,1 ± 2,198 12,85 ± 9,25 ± 35,45 ±
biclusters 5,545 2,381 2,114 5,443 3,528 2,751 3,034
Sucesso 100 100 100 100 100 100 100 100 100 100 100
VE 0±0 0,024 ± 0,092 ± 0,002 ± -0,016 ± -0,019 ± -0,01 ± 0,033 ± 0±0 0,17 ± 0,128 ±
1,077 0,73 0,043 0,101 0,091 0,098 0,119 0,695 1,163
TVE 0±0 -0,448 ± 0,986 ± -0,666 ± 0,631 ± -27,838 ± -6,761 ± -0,403 ± 0±0 1,564 ± -1,857 ±
3,442 5,509 2,323 12,292 133,29 59,799 6,287 14,507 3,575
MI 0±0 0,954 ± 1,09 ± 0,086 ± 0,421 ± 0,399 ± 0,395 ± 0,417 ± 0±0 0,276 ± 1,006 ±
0,05 0,135 0,177 0,338 0,042 0,038 0,206 0,274 0,215
LC 0±0 0,38 ± 0,313 ± 0,124 ± 0,457 ± 0,576 ± 0,57 ± 0,512 ± 0±0 0,372 ± 0,391 ±
0,027 0,042 0,256 0,344 0,06 0,055 0,265 0,355 0,129
196
Tabela 104: Resultado do Bagged Biclustering com um algoritmo (com sobreposição) para Artificial_2
Artificial_2 ABC 3 (LC) BICACO 1 BIC-aiNet 1 CDE 2 (LC) dFSS 1 (LC) CGA 1 (J) FSGA 1 (J) GSO 1 (LC) MHS 3 (LC) NichePSO 2 SwarmBclust
(LC) (LC) (LC) er 1 (J)
Tempo 9,164 ± 0,212 5,068 ± 0,033 2,154 ± 0,369 8,909 ± 0,048 9,222 ± 0,079 7,896 ± 0,206 8,972 ± 0,134 9,383 ± 0,053 8,873 ± 0,048 9,033 ± 0,066 6,141 ± 0,039
MSR 28,442 ± 23,049 ± 1,055 ± 1,533 28,244 ± 29,506 ± 22,68 ± 0,943 27,978 ± 29,858 ± 28,844 ± 29,734 ± 0,372 ± 0,078
(melhor) 0,468 1,141 0,804 0,482 1,211 0,696 0,401 0,509
MSR (média) 31,101 ± 29,908 ± 20,884 ± 0,64 30,983 ± 31,9 ± 0,17 25,031 ± 30,643 ± 32,227 ± 0,14 30,654 ± 31,768 ± 0,929 ± 0,347
0,108 0,258 0,164 1,223 0,397 0,091 0,134
Volume 2.659,5 ± 4.654,55 ± 22,2 ± 14,27 3.416,45 ± 3.332,95 ± 2.256,25 ± 2.999,5 ± 3.640,2 ± 2.797,95 ± 3.098,1 ± 134,45 ±
(melhor) 278,392 1.025,927 1.552,957 650,827 372,603 579,437 1.219,015 320,196 278,061 25,49
Volume 6.024,309 ± 4.540,741 ± 211,822 ± 6.530,748 ± 7.566,382 ± 2.601,044 ± 5.241,788 ± 7.301,731 ± 5.757,369 ± 6.979,627 ± 117,338 ±
(média) 244,112 252,494 28,708 277,609 377,007 392,872 351,164 408,836 251,144 391,937 7,943
Cobertura 1±0 0,998 ± 0,002 0,401 ± 0,045 1 ± 0 1±0 0,655 ± 0,022 0,984 ± 0,006 1 ± 0 1±0 1 ± 0,001 0,182 ± 0,013
elementos
Cobertura 1±0 0,999 ± 0,002 0,989 ± 0,008 1±0 1±0 0,894 ± 0,025 0,998 ± 0,002 1±0 1±0 1 ± 0,001 0,317 ± 0,018
linhas e
colunas
Sobreposição 0,324 ± 0,013 0,26 ± 0,014 0,011 ± 0,002 0,356 ± 0,016 0,404 ± 0,019 0,734 ± 0,007 0,366 ± 0,014 0,382 ± 0,022 0,317 ± 0,014 0,376 ± 0,022 0,021 ± 0,003
Jaccard 0,362 ± 0,011 0,297 ± 0,014 0,048 ± 0,004 0,39 ± 0,015 0,431 ± 0,017 0,759 ± 0,006 0,421 ± 0,012 0,432 ± 0,026 0,36 ± 0,013 0,405 ± 0,02 0,364 ± 0,009
Qtd. - 0±0 0±0 1,8 ± 1,196 0±0 0±0 0±0 0±0 0±0 0±0 0±0 41,9 ± 2,594
biclusters
Sucesso 0 0 90 0 0 0 0 0 0 0 100
VE 0,034 ± 0,133 0,046 ± 0,318 -0,003 ± 0,012 ± 0,211 0,03 ± 0,188 -0,078 ± -0,002 ± -0,015 ± -0,004 ± -0,006 ± 1,21 ± 1,809
0,094 0,245 0,224 0,236 0,208 0,183
TVE -0,025 ± -0,005 ± 0,467 ± 1,896 0,073 ± 0,287 -0,05 ± 0,199 0,044 ± 0,391 -0,056 ± -0,057 ± 0,031 ± 0,192 -0,012 ± 0,136 ± 0,421
0,245 0,402 0,161 0,203 0,314
MI 1,354 ± 0,037 1,047 ± 0,073 0,565 ± 0,308 1,307 ± 0,078 1,336 ± 0,041 1,154 ± 0,065 1,308 ± 0,048 1,372 ± 0,036 1,34 ± 0,057 1,348 ± 0,04 0,572 ± 0,172
LC 0,167 ± 0,007 0,178 ± 0,016 0,705 ± 0,364 0,158 ± 0,014 0,152 ± 0,009 0,198 ± 0,013 0,162 ± 0,012 0,152 ± 0,011 0,16 ± 0,011 0,152 ± 0,008 0,873 ± 0,153
RMS 0±0 0±0 0,04 ± 0,033 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,058 ± 0,002
(biclusters)
RMS 0,182 ± 0,005 0,192 ± 0,008 0,1 ± 0,008 0,189 ± 0,006 0,182 ± 0,007 0,234 ± 0,03 0,189 ± 0,011 0,183 ± 0,006 0,188 ± 0,007 0,181 ± 0,006 0,068 ± 0,003
(população)
CMS 0±0 0±0 0,032 ± 0,028 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,609 ± 0,018
(biclusters)
CMS 0,417 ± 0,01 0,395 ± 0,011 0,116 ± 0,012 0,438 ± 0,009 0,415 ± 0,009 0,484 ± 0,06 0,431 ± 0,018 0,367 ± 0,007 0,435 ± 0,006 0,412 ± 0,01 0,626 ± 0,015
(população)
MS 0±0 0±0 0,034 ± 0,028 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,382 ± 0,01
(biclusters)
MS 0,274 ± 0,007 0,273 ± 0,009 0,105 ± 0,008 0,286 ± 0,007 0,274 ± 0,006 0,333 ± 0,037 0,283 ± 0,012 0,25 ± 0,005 0,284 ± 0,005 0,271 ± 0,006 0,396 ± 0,006
(população)
197
Tabela 105: Resultado do Bagged Biclustering com um algoritmo (com sobreposição) para Artificial_4
Artificial_4 ABC 3 (LC) BICACO 1 BIC-aiNet 1 CDE 2 (LC) dFSS 1 (LC) CGA 1 (LC) FSGA 1 (J) GSO 1 (LC) MHS 3 (LC) NichePSO 1 SwarmBclust
(LC) (LC) (LC) er 1 (J)
Tempo 9,252 ± 0,063 5,097 ± 0,052 1,693 ± 0,25 9,011 ± 0,134 9,255 ± 0,094 8,198 ± 0,151 8,885 ± 0,16 9,464 ± 0,066 8,928 ± 0,054 9,126 ± 0,067 5,769 ± 0,077
MSR 18,874 ± 13,538 ± 1,209 ± 1,476 18,624 ± 19,954 ± 14,694 ± 17,153 ± 20,178 ± 19,141 ± 20,218 ± 0,334 ± 0,212
(melhor) 0,533 0,382 0,672 0,713 0,692 0,845 0,522 0,406 0,561
MSR (média) 21,504 ± 18,604 ± 0,31 14,472 ± 21,276 ± 22,444 ± 16,448 ± 19,786 ± 22,872 ± 20,859 ± 22,427 ± 5,273 ± 0,627
0,165 0,838 0,163 0,174 0,893 0,536 0,145 0,196 0,134
Volume 2.783,15 ± 4.969,1 ± 27 ± 18,739 3.318 ± 3.573,7 ± 2.344,4 ± 3.086,85 ± 3.847,5 ± 2.777,2 ± 3.183,1 ± 125,8 ± 87,38
(melhor) 620,213 548,385 1.502,942 1.089,958 343,596 838,975 1.376,07 207,165 922,266
Volume 6.125,7 ± 3.922,258 ± 233,027 ± 6.413,387 ± 7.611,499 ± 2.819,31 ± 4.763,905 ± 7.205,861 ± 5.771,063 ± 7.358,337 ± 180,567 ±
(média) 295,74 314,853 29,236 191,235 335,377 326,05 201,472 378,094 253,851 534,303 17,732
Cobertura 1±0 0,985 ± 0,007 0,431 ± 0,041 1 ± 0 1±0 0,664 ± 0,026 0,972 ± 0,007 1 ± 0 0,999 ± 0 1 ± 0,001 0,339 ± 0,028
elementos
Cobertura 1±0 0,998 ± 0,002 0,991 ± 0,009 1±0 1±0 0,874 ± 0,024 0,999 ± 0,003 1±0 1±0 1 ± 0,001 0,544 ± 0,029
linhas e
colunas
Sobreposição 0,331 ± 0,015 0,255 ± 0,016 0,012 ± 0,002 0,354 ± 0,013 0,406 ± 0,016 0,738 ± 0,004 0,365 ± 0,019 0,377 ± 0,019 0,322 ± 0,014 0,395 ± 0,029 0,013 ± 0,001
Jaccard 0,37 ± 0,014 0,294 ± 0,017 0,05 ± 0,003 0,387 ± 0,012 0,432 ± 0,015 0,762 ± 0,004 0,419 ± 0,017 0,426 ± 0,022 0,363 ± 0,013 0,42 ± 0,028 0,323 ± 0,008
Qtd. - 0±0 0±0 2,25 ± 1,333 0±0 0±0 0±0 0±0 0±0 0±0 0±0 20,2 ± 2,913
biclusters
Sucesso 0 0 90 0 0 0 0 0 0 0 100
VE -0,025 ± 0,023 ± 0,108 -0,007 ± -0,003 ± -0,016 ± 0,1 0,002 ± 0,108 -0,026 ± -0,061 ± 0,005 ± 0,081 -0,027 ± -0,652 ±
0,079 0,049 0,106 0,135 0,121 0,093 3,053
TVE 0,001 ± 0,043 -0,008 ± 0,001 ± 0,079 0,01 ± 0,027 0,019 ± 0,053 0,004 ± 0,043 0,012 ± 0,035 -0,009 ± 0,008 ± 0,033 -0,011 ± -0,001 ±
0,043 0,044 0,024 0,027
MI 1,133 ± 0,043 0,841 ± 0,018 0,62 ± 0,3 1,104 ± 0,066 1,129 ± 0,042 0,969 ± 0,042 1,04 ± 0,039 1,164 ± 0,041 1,139 ± 0,033 1,16 ± 0,048 0,888 ± 0,346
LC 0,136 ± 0,009 0,117 ± 0,003 0,67 ± 0,284 0,133 ± 0,015 0,127 ± 0,013 0,151 ± 0,014 0,133 ± 0,013 0,133 ± 0,009 0,135 ± 0,006 0,131 ± 0,011 0,829 ± 0,285
RMS 0±0 0±0 0,057 ± 0,023 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,05 ± 0,004
(biclusters)
RMS 0,206 ± 0,006 0,21 ± 0,005 0,12 ± 0,007 0,208 ± 0,006 0,206 ± 0,004 0,219 ± 0,022 0,211 ± 0,008 0,21 ± 0,006 0,207 ± 0,005 0,203 ± 0,005 0,085 ± 0,006
(população)
CMS 0±0 0±0 0,047 ± 0,03 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,547 ± 0,024
(biclusters)
CMS 0,402 ± 0,006 0,404 ± 0,008 0,147 ± 0,01 0,415 ± 0,007 0,401 ± 0,007 0,425 ± 0,037 0,433 ± 0,01 0,364 ± 0,006 0,413 ± 0,006 0,396 ± 0,009 0,569 ± 0,012
(população)
MS 0±0 0±0 0,047 ± 0,024 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,334 ± 0,014
(biclusters)
MS 0,274 ± 0,004 0,278 ± 0,005 0,127 ± 0,007 0,278 ± 0,004 0,273 ± 0,005 0,29 ± 0,024 0,287 ± 0,009 0,255 ± 0,003 0,278 ± 0,005 0,268 ± 0,004 0,367 ± 0,008
(população)
198
Tabela 106: Resultado do Bagged Biclustering com um algoritmo (com sobreposição) para Artificial_6
Artificial_6 ABC 1 (LC) BICACO 1 BIC-aiNet 1 CDE 1 (LC) dFSS 1 (LC) CGA 1 (LC) FSGA 1 (J) GSO 1 (LC) MHS 1 (LC) NichePSO 1 SwarmBclust
(LC) (LC) (LC) er 1 (J)
Tempo 9,241 ± 0,114 5,099 ± 0,099 1,695 ± 0,29 8,993 ± 0,115 9,229 ± 0,066 7,956 ± 0,112 8,973 ± 0,132 9,391 ± 0,088 8,945 ± 0,135 9,003 ± 0,042 5,437 ± 0,028
MSR 25,572 ± 21,654 ± 0,697 ± 0,314 25,345 ± 26,675 ± 20,253 ± 24,261 ± 26,93 ± 0,535 25,883 ± 26,711 ± 0,435 ± 0,236
(melhor) 0,499 0,592 0,893 0,597 0,841 1,339 0,377 0,511
MSR (média) 28,449 ± 26,447 ± 17,971 ± 28,216 ± 29,141 ± 22,248 ± 27,043 ± 29,51 ± 0,132 28,047 ± 29,071 ± 4,255 ± 0,498
0,154 0,206 0,844 0,162 0,195 1,156 0,481 0,149 0,155
Volume 2.824,5 ± 4.447,15 ± 24,5 ± 9,817 2.724,35 ± 3.392,3 ± 2.092,25 ± 2.941,4 ± 3.567,65 ± 2.783,85 ± 3.004,6 ± 122,75 ±
(melhor) 306,549 1.578,92 517,571 673,18 288,343 616,626 1.053,411 317,364 277,781 45,875
Volume 6.714,599 ± 4.284,031 ± 237,683 ± 6.937,791 ± 7.593,849 ± 2.449,47 ± 4.953,791 ± 7.259,983 ± 6.584,06 ± 7.214,023 ± 189,195 ±
(média) 342,346 320,015 39,942 306,396 345,926 299,117 318,263 410,388 250,333 295,884 18,975
Cobertura 1±0 0,997 ± 0,002 0,437 ± 0,052 1 ± 0 1±0 0,647 ± 0,022 0,983 ± 0,005 1 ± 0 1±0 1 ± 0,001 0,38 ± 0,035
elementos
Cobertura 1±0 1 ± 0,002 0,99 ± 0,008 1±0 1±0 0,897 ± 0,026 0,999 ± 0,002 1±0 1±0 1 ± 0,001 0,62 ± 0,037
linhas e
colunas
Sobreposição 0,358 ± 0,018 0,257 ± 0,018 0,012 ± 0,002 0,376 ± 0,016 0,405 ± 0,018 0,733 ± 0,004 0,361 ± 0,013 0,38 ± 0,022 0,356 ± 0,013 0,387 ± 0,018 0,009 ± 0,001
Jaccard 0,386 ± 0,017 0,294 ± 0,018 0,05 ± 0,004 0,4 ± 0,015 0,431 ± 0,017 0,757 ± 0,003 0,415 ± 0,013 0,43 ± 0,025 0,382 ± 0,013 0,414 ± 0,017 0,316 ± 0,007
Qtd. - 0±0 0±0 2,4 ± 1,465 0±0 0±0 0±0 0±0 0±0 0±0 0±0 26,9 ± 2,222
biclusters
Sucesso 0 0 95 0 0 0 0 0 0 0 100
VE 0,051 ± 0,387 -0,093 ± -0,023 ± -0,189 ± 0,042 ± 0,489 0,006 ± 0,372 0,095 ± 0,714 0,1 ± 0,664 -0,038 ± 0,047 ± 0,591 0,731 ± 2,587
0,704 0,088 0,532 0,734
TVE 0,109 ± 0,239 -0,198 ± -0,052 ± 0,086 ± 0,387 -0,111 ± 0,023 ± 0,401 0,117 ± 0,355 0,009 ± 0,364 0,03 ± 0,277 0,024 ± 0,246 -0,171 ±
0,492 0,301 0,299 0,748
MI 1,21 ± 0,04 1,073 ± 0,064 0,564 ± 0,341 1,216 ± 0,047 1,21 ± 0,043 1,125 ± 0,042 1,166 ± 0,043 1,222 ± 0,038 1,23 ± 0,035 1,241 ± 0,029 0,927 ± 0,434
LC 0,171 ± 0,011 0,163 ± 0,025 0,743 ± 0,344 0,175 ± 0,017 0,162 ± 0,012 0,213 ± 0,026 0,174 ± 0,018 0,167 ± 0,013 0,17 ± 0,011 0,165 ± 0,009 0,839 ± 0,19
RMS 0±0 0±0 0,068 ± 0,022 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,06 ± 0,002
(biclusters)
RMS 0,19 ± 0,005 0,18 ± 0,004 0,136 ± 0,012 0,193 ± 0,005 0,192 ± 0,004 0,197 ± 0,019 0,191 ± 0,007 0,195 ± 0,005 0,192 ± 0,005 0,192 ± 0,004 0,103 ± 0,006
(população)
CMS 0±0 0±0 0,051 ± 0,02 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,523 ± 0,012
(biclusters)
CMS 0,397 ± 0,008 0,385 ± 0,009 0,162 ± 0,016 0,404 ± 0,004 0,398 ± 0,007 0,409 ± 0,031 0,413 ± 0,013 0,367 ± 0,005 0,401 ± 0,007 0,391 ± 0,007 0,544 ± 0,008
(população)
MS 0±0 0±0 0,05 ± 0,016 0±0 0±0 0±0 0±0 0±0 0±0 0±0 0,337 ± 0,009
(biclusters)
MS 0,26 ± 0,004 0,25 ± 0,006 0,141 ± 0,013 0,265 ± 0,003 0,262 ± 0,005 0,269 ± 0,017 0,265 ± 0,009 0,245 ± 0,004 0,263 ± 0,005 0,258 ± 0,004 0,372 ± 0,005
(população)
199
Tabela 107: Resultado do Bagged Biclustering com um algoritmo (com sobreposição) para Arabidopsis
Arabidopsis ABC 5 (LC) BICACO 5 BIC-aiNet 1 CDE 4 (LC) dFSS 5 CGA 1 (J) FSGA 1 (J) GSO 5 (J) MHS 5 (J) NichePSO 5 SwarmBclu
(LC) (LC) (LC) (J) ster 1 (J)
Tempo 25,414 ± 35,94 ± 1,599 ± 25,35 ± 25,474 ± 26,789 ± 27,205 ± 25,466 ± 24,841 ± 25,364 ± 12,185 ±
0,088 0,283 0,133 0,089 0,141 0,314 0,256 0,109 0,134 0,094 0,243
MSR 602,161 ± 683,635 ± 476,152 ± 643,854 ± 617,428 ± 671,256 ± 678,744 ± 723,55 ± 631,923 ± 597,251 ± 397,252 ±
(melhor) 76,234 22,419 145,055 42,672 53,382 28,187 20,081 153,829 57,77 52,403 226,118
MSR 1.323,396 ± 751,499 ± 1.481,586 ± 1.127,188 ± 2.219,29 ± 708,042 ± 695,654 ± 2.999,687 ± 859,583 ± 1.855,071 ± 4.831,283 ±
(média) 131,653 12,087 690,918 91,726 351,368 31,648 16,712 395,046 41,409 243,973 2.249,594
Volume 6.860,9 ± 25.534,7 ± 1.647,75 ± 16.998,95 ± 9.578,7 ± 13.390,75 ± 16.595,65 ± 4.122,8 ± 8.186,55 ± 18.025,35 ± 21.035,3 ±
(melhor) 1.531,125 2.224,372 590,633 1.357,884 1.350,192 1.432,984 1.242,51 2.085,454 1.569,418 1.787,716 11.452,233
Volume 6.636,005 ± 24.144,249 642,109 ± 12.279,493 7.966,436 ± 11.486,537 13.377,81 ± 6.913,87 ± 6.535,087 ± 6.791,977 ± 3.641,494 ±
(média) 411,34 ± 689,167 60,573 ± 714,622 213,804 ± 1.558,245 759,757 572,974 413,429 260,528 434,703
Cobertura 0,99 ± 0,972 ± 0,461 ± 0,997 ± 0,994 ± 0,901 ± 0,931 ± 0,992 ± 0,984 ± 0,99 ± 0,991 ±
elementos 0,002 0,004 0,031 0,002 0,003 0,012 0,006 0,003 0,005 0,003 0,005
Cobertura 0,999 ± 0,977 ± 0,83 ± 1±0 1 ± 0,001 0,984 ± 0,987 ± 1 ± 0,001 1±0 1 ± 0,001 0,992 ±
linhas e 0,001 0,003 0,018 0,012 0,009 0,005
colunas
Sobreposi- 0,147 ± 0,658 ± 0,013 ± 0,273 ± 0,177 ± 0,754 ± 0,458 ± 0,155 ± 0,151 ± 0,156 ± 0,058 ±
ção 0,009 0,036 0,001 0,016 0,005 0,007 0,038 0,013 0,009 0,005 0,007
Jaccard 0,213 ± 0,644 ± 0,062 ± 0,314 ± 0,251 ± 0,763 ± 0,459 ± 0,214 ± 0,218 ± 0,221 ± 0,156 ±
0,009 0,055 0,005 0,011 0,008 0,003 0,034 0,01 0,007 0,004 0,012
Qtd. - 6,5 ± 1,732 6,95 ± 30,65 ± 4,6 ± 1,569 2,9 ± 1,483 25,55 ± 27,2 ± 0,8 ± 1,105 14,2 ± 8,5 ± 2,013 23,35 ±
biclusters 2,625 2,231 21,481 10,149 2,308 3,573
Sucesso 100 100 100 100 100 100 100 50 100 100 100
VE 0,016 ± 0,009 ± -0,017 ± -0,027 ± -0,001 ± -0,009 ± 0,012 ± -0,004 ± 0,004 ± -0,032 ± -0,003 ±
0,12 0,114 0,091 0,154 0,105 0,088 0,133 0,044 0,08 0,13 0,098
TVE 0,005 ± 0,003 ± 0,002 ± 0,015 ± -0,006 ± -0,004 ± -0,002 ± 0,004 ± -0,015 ± 0 ± 0,026 -0,001 ±
0,041 0,029 0,041 0,034 0,039 0,029 0,029 0,038 0,038 0,034
MI 1,303 ± 1,235 ± 1,345 ± 1,253 ± 1,298 ± 1,288 ± 1,256 ± 1,351 ± 1,304 ± 1,229 ± 1,009 ±
0,044 0,02 0,086 0,028 0,061 0,035 0,038 0,058 0,058 0,024 0,075
LC 0,13 ± 0,089 ± 0,137 ± 0,102 ± 0,129 ± 0,109 ± 0,101 ± 0,181 ± 0,128 ± 0,099 ± 0,102 ±
0,008 0,004 0,017 0,005 0,011 0,006 0,004 0,046 0,009 0,005 0,029
200
Tabela 108: Resultado do Bagged Biclustering com um algoritmo (com sobreposição) para Brain_1
Brain_1 ABC 5 (J) BICACO 5 BIC-aiNet 1 CDE 4 (LC) dFSS 5 CGA 1 (J) FSGA 1 (J) GSO 5 (J) MHS 4 (J) NichePSO 4 SwarmBclu
(J) (LC) (LC) (LC) ster 1 (J)
Tempo 45,344 ± 66,092 ± 2,178 ± 45,386 ± 45,261 ± 47,13 ± 47,262 ± 45,458 ± 44,608 ± 45,415 ± 24,313 ±
0,148 0,341 0,184 0,126 0,172 0,472 0,352 0,23 0,122 0,203 0,588
MSR 7.673,46 ± 8.652,75 ± 6.531,302 ± 7.827,791 ± 7.728,503 ± 8.718,827 ± 8.563,848 ± 11.394,543 8.386,128 ± 8.063,869 ± 5.151,215 ±
(melhor) 1.194,298 383,745 1.316,406 624,264 1.001,165 201,982 247,462 ± 2.372,201 482,753 552,645 1.314,069
MSR 13.943,217 9.652,234 ± 8.121,247 ± 12.794,542 17.392,217 9.085,351 ± 8.838,514 ± 22.223,272 12.256,49 ± 17.746,092 11.435,899
(média) ± 795,564 130,449 1.016,325 ± 388,141 ± 1.069,203 455,796 323,051 ± 1.793,883 378,555 ± 930,995 ± 4.326,309
Volume 9.865,9 ± 39.349,95 ± 1.619,05 ± 22.572,75 ± 12.612,05 ± 17.434,8 ± 21.876,7 ± 7.476,65 ± 21.721,15 ± 29.029,75 ± 39.113,3 ±
(melhor) 1.169,699 2.516,502 376,541 1.193,409 1.595,518 1.907,567 1.791,082 4.394,809 1.508,852 1.919,639 3.903,386
Volume 9.383,894 ± 37.136,449 455,22 ± 16.511,022 10.542,339 14.295,87 ± 17.480,37 ± 9.450,266 ± 15.495,392 18.969,707 7.754,834 ±
(média) 490,558 ± 704,18 35,738 ± 737,434 ± 611,128 1.652,239 1.018,982 819,293 ± 539,354 ± 784,594 612,887
Cobertura 0,986 ± 0,987 ± 0,275 ± 0,982 ± 0,991 ± 0,804 ± 0,834 ± 0,988 ± 0,977 ± 0,998 ± 0,911 ±
elementos 0,004 0,002 0,018 0,008 0,003 0,023 0,022 0,005 0,008 0,001 0,009
Cobertura 1±0 0,988 ± 0,572 ± 0,995 ± 1±0 0,907 ± 0,902 ± 1±0 0,991 ± 1±0 0,93 ±
linhas e 0,002 0,016 0,009 0,027 0,029 0,01 0,008
colunas
Sobreposi- 0,162 ± 0,735 ± 0,007 ± 0,297 ± 0,177 ± 0,762 ± 0,476 ± 0,165 ± 0,281 ± 0,314 ± 0,062 ±
ção 0,007 0,016 0,001 0,014 0,009 0,006 0,043 0,013 0,01 0,012 0,011
Jaccard 0,218 ± 0,716 ± 0,06 ± 0,322 ± 0,248 ± 0,759 ± 0,439 ± 0,213 ± 0,304 ± 0,331 ± 0,159 ±
0,005 0,032 0,004 0,011 0,008 0,002 0,042 0,009 0,008 0,01 0,01
Qtd. - 9,65 ± 5,5 ± 1,638 34,8 ± 7,15 ± 5,1 ± 1,971 20,5 ± 31,35 ± 0,15 ± 7,05 ± 2,05 ± 37,7 ±
biclusters 1,954 3,205 1,424 20,679 10,038 0,366 1,638 0,394 3,028
Sucesso 100 100 100 100 100 100 100 15 100 100 100
VE -0,028 ± 0,308 ± -0,024 ± 0,146 ± -0,02 ± -0,161 ± -0,105 ± -0,052 ± 0,218 ± -0,175 ± -0,107 ±
0,454 0,742 0,265 0,437 0,545 0,657 0,504 0,426 0,403 0,491 0,749
TVE -0,043 ± 0,176 ± 0,049 ± 0,236 ± -0,12 ± 0,156 ± 0,168 ± -0,012 ± -0,114 ± -0,119 ± -0,065 ±
0,483 0,519 0,368 0,59 0,316 0,46 0,661 0,398 0,658 0,599 0,77
MI 2,319 ± 2,746 ± 2,505 ± 2,461 ± 2,306 ± 2,449 ± 2,512 ± 2,178 ± 2,475 ± 2,489 ± 2,677 ±
0,079 0,044 0,125 0,05 0,059 0,07 0,059 0,273 0,056 0,053 0,027
LC 0,273 ± 0,259 ± 0,279 ± 0,256 ± 0,277 ± 0,271 ± 0,265 ± 0,319 ± 0,258 ± 0,253 ± 0,258 ±
0,018 0,004 0,025 0,01 0,019 0,013 0,01 0,034 0,011 0,01 0,004
201
Tabela 109: Resultado do Bagged Biclustering com um algoritmo (com sobreposição) para Brain_2
Brain_2 ABC 5 (J) BICACO 5 BIC-aiNet 1 CDE 4 (LC) dFSS 5 CGA 1 (J) FSGA 1 GSO 5 (J) MHS 4 (J) NichePSO 4 SwarmBclu
(J) (LC) (LC) (LC) (J) ster 1 (J)
Tempo 44,496 ± 64,839 ± 1,85 ± 44,456 ± 44,548 ± 46,276 ± 45,996 ± 44,638 ± 43,677 ± 44,528 ± 28,346 ±
0,148 0,226 0,157 0,135 0,211 0,394 0,348 0,243 0,112 0,192 0,49
MSR 223.837,827 280.415,498 197.190,975 240.593,187 242.381,893 279.480,271 274.618,666 332.510,737 260.680,549 256.491,197 233.492,829
(melhor) ± ± 8.943,365 ± ± ± ± 9.765,9 ± ± ± 29.417,56 ± ±
41.926,413 71.837,704 29.517,537 27.980,282 11.471,538 107.503,067 25.561,904 44.282,068
MSR 505.390,021 315.487,024 324.000,651 509.929,217 668.742,903 293.473,063 284.904,049 818.267,592 480.562,344 691.209,181 1.393.504,6
(média) ± ± 5.278,275 ± ± ± ± ± 8.627,462 ± 44.972,55 ± ± 63 ±
12.610,106 56.678,071 25.500,921 42.288,907 17.665,552 17.111,295 32.967,915 338.920,062
Volume 7.473,05 ± 33.587,3 ± 1.392 ± 15.515,35 ± 9.701,45 ± 13.353,05 ± 17.160,25 ± 4.252,35 ± 16.413,25 ± 22.020,25 ± 32.594,1 ±
(melhor) 930,668 2.155,603 379,195 1.206,538 1.565,206 1.815,944 1.536,883 2.720,344 1.481,707 2.002,526 2.071,892
Volume 7.773,832 ± 31.437,893 435,138 ± 13.361,586 9.031,994 ± 11.176,062 13.558,779 7.863,083 ± 12.566,103 15.458,387 6.718,994 ±
(média) 338,818 ± 613,369 43,065 ± 586,299 457,294 ± 1.517,271 ± 1.027,373 481,17 ± 589,832 ± 649,515 512,557
Cobertura 0,986 ± 0,987 ± 0,307 ± 0,993 ± 0,991 ± 0,792 ± 0,823 ± 0,988 ± 0,99 ± 0,999 ± 0,967 ±
elementos 0,004 0,001 0,027 0,003 0,003 0,039 0,021 0,006 0,006 0,001 0,004
Cobertura 1±0 0,987 ± 0,583 ± 1±0 1±0 0,92 ± 0,914 ± 1±0 1±0 1±0 0,976 ±
linhas e 0,001 0,025 0,046 0,029 0,004
colunas
Sobreposi- 0,164 ± 0,687 ± 0,008 ± 0,286 ± 0,18 ± 0,01 0,755 ± 0,459 ± 0,162 ± 0,272 ± 0,302 ± 0,057 ±
ção 0,008 0,038 0,001 0,013 0,007 0,033 0,009 0,011 0,012 0,008
Jaccard 0,219 ± 0,645 ± 0,067 ± 0,32 ± 0,01 0,253 ± 0,757 ± 0,43 ± 0,03 0,21 ± 0,303 ± 0,324 ± 0,152 ±
0,006 0,061 0,005 0,008 0,001 0,006 0,008 0,01 0,013
Qtd. - 8,55 ± 7,45 ± 32,45 ± 4,45 ± 3,45 ± 19,05 ± 28,95 ± 0,45 ± 3,9 ± 1,586 1,9 ± 0,308 32,65 ±
biclusters 1,605 2,523 3,379 1,468 1,395 20,231 7,323 0,605 2,033
Sucesso 100 100 100 100 100 95 100 40 100 100 100
VE 0,061 ± 0,044 ± 0,043 ± 0,056 ± 0,101 ± 0,037 ± -0,068 ± 0,071 ± 0,109 ± -0,122 ± 0,337 ±
0,218 0,668 0,182 0,458 0,447 0,512 0,477 0,277 0,404 0,446 0,917
TVE 0,041 ± -0,255 ± -0,146 ± -0,137 ± -0,093 ± -0,017 ± -0,097 ± 0,017 ± 0,001 ± 0,09 ± -0,015 ±
0,373 0,459 0,231 0,391 0,374 0,438 0,34 0,24 0,311 0,453 0,326
MI 0,794 ± 0,949 ± 0,855 ± 0,833 ± 0,768 ± 0,821 ± 0,858 ± 0,663 ± 0,829 ± 0,847 ± 0,898 ±
0,051 0,017 0,091 0,037 0,053 0,055 0,037 0,138 0,05 0,039 0,021
LC 0,199 ± 0,154 ± 0,188 ± 0,185 ± 0,206 ± 0,188 ± 0,177 ± 0,276 ± 0,18 ± 0,176 ± 0,15 ±
0,01 0,003 0,014 0,007 0,012 0,01 0,007 0,049 0,008 0,006 0,001
202
Tabela 110: Resultado do Bagged Biclustering com um algoritmo (com sobreposição) para Breast_Colon
Breast_Colo ABC 5 (J) BICACO 1 BIC-aiNet 1 CDE 4 (J) dFSS 5 (J) CGA 1 (J) FSGA 1 GSO 5 (J) MHS 5 (J) NichePSO 5 SwarmBclu
n (LC) (LC) (LC) (J) ster 1 (J)
Tempo 8,761 ± 11,979 ± 0,683 ± 8,705 ± 8,782 ± 9,428 ± 10,008 ± 8,855 ± 8,492 ± 8,774 ± 4,68 ±
0,048 0,092 0,062 0,068 0,075 0,181 0,142 0,04 0,058 0,061 0,086
MSR 19.959,093 21.454,199 18.614,782 19.309,828 19.857,791 20.860,37 ± 21.333,435 29.861,845 19.152,939 15.880,226 11.337,512
(melhor) ± 2.157,941 ± 489,322 ± 2.917,066 ± 1.723,183 ± 1.937,154 1.000,97 ± 603,485 ± 9.548,282 ± 2.224,731 ± 1.943,938 ± 4.847,122
MSR 60.822,643 25.249,716 86.025,147 37.000,664 132.518,774 22.237,217 23.245,034 204.116,375 31.241,235 108.795,125 129.691,389
(média) ± ± 858,233 ± ± 3.292,742 ± ± 1.149,294 ± 3.639,835 ± ± 2.469,37 ± ±
10.607,576 26.231,618 19.980,278 31.009,058 19.960,183 32.965,256
Volume 2.607,05 ± 8.023,85 ± 4.425,45 ± 7.182,2 ± 3.879,85 ± 5.262,1 ± 6.650,15 ± 1.637,3 ± 2.886,05 ± 7.442,6 ± 9.463,7 ±
(melhor) 555,853 616,249 3.906,022 655,344 602,957 611,631 744,835 583,424 246,165 854,747 718,242
Volume 2.454,295 ± 8.061,973 ± 781,428 ± 4.625,206 ± 2.978,732 ± 4.319,031 ± 4.735,451 ± 1.856,253 ± 2.373,233 ± 2.434,557 ± 1.377,248 ±
(média) 130,322 247,076 80,473 123,034 131,742 430,469 310,286 150,58 109,486 116,884 112,744
Cobertura 0,982 ± 0,907 ± 0,856 ± 0,967 ± 0,993 ± 0,866 ± 0,904 ± 0,945 ± 0,945 ± 0,986 ± 0,956 ±
elementos 0,006 0,012 0,035 0,007 0,002 0,012 0,009 0,013 0,008 0,005 0,009
Cobertura 0,999 ± 0,908 ± 0,995 ± 0,978 ± 0,999 ± 0,928 ± 0,931 ± 0,988 ± 0,965 ± 0,999 ± 0,992 ±
linhas e 0,004 0,012 0,004 0,008 0,002 0,008 0,009 0,009 0,013 0,002 0,005
colunas
Sobreposi- 0,145 ± 0,594 ± 0,044 ± 0,279 ± 0,175 ± 0,76 ± 0,485 ± 0,125 ± 0,148 ± 0,152 ± 0,062 ±
ção 0,007 0,023 0,004 0,008 0,009 0,006 0,053 0,011 0,006 0,007 0,006
Jaccard 0,228 ± 0,644 ± 0,087 ± 0,344 ± 0,258 ± 0,785 ± 0,533 ± 0,227 ± 0,23 ± 0,232 ± 0,212 ±
0,008 0,017 0,004 0,007 0,009 0,006 0,046 0,009 0,007 0,008 0,012
Qtd. - 3,45 ± 8,45 ± 15,8 ± 4,75 ± 1,41 2,6 ± 1,392 23,5 ± 24,2 ± 0,2 ± 0,41 7,8 ± 2,397 4,75 ± 22,85 ±
biclusters 1,986 5,042 3,334 20,98 12,837 1,618 4,246
Sucesso 95 95 100 100 100 95 100 20 100 100 100
VE 0,038 ± 0,088 ± 0,047 ± 0,025 ± 0,091 ± 0,2 ± 0,439 0,078 ± 0,022 ± 0,053 ± -0,017 ± -0,116 ±
0,305 0,335 0,399 0,431 0,392 0,447 0,278 0,37 0,569 0,78
TVE 0,135 ± -0,028 ± -0,092 ± -0,028 ± 0,087 ± 0,128 ± -0,054 ± -0,099 ± 0,06 ± 0,056 ± 0,109 ±
0,368 0,793 0,441 0,762 0,709 0,714 0,623 0,528 0,509 0,692 0,386
MI 1,708 ± 1,877 ± 1,684 ± 1,813 ± 1,767 ± 1,786 ± 1,812 ± 1,725 ± 1,783 ± 1,778 ± 1,734 ±
0,135 0,057 0,188 0,063 0,086 0,109 0,103 0,104 0,109 0,083 0,055
LC 0,261 ± 0,242 ± 0,259 ± 0,238 ± 0,247 ± 0,24 ± 0,237 ± 0,304 ± 0,262 ± 0,251 ± 0,29 ±
0,021 0,011 0,032 0,017 0,021 0,015 0,015 0,067 0,033 0,014 0,024
203
Tabela 111: Resultado do Bagged Biclustering com um algoritmo (com sobreposição) para Lung
Lung ABC 5 (LC) BICACO 5 BIC-aiNet 1 CDE 4 (J) dFSS 5 CGA 1 FSGA 1 (J) GSO 5 (LC) MHS 4 (J) NichePSO 4 SwarmBclu
(LC) (LC) (LC) (LC) (LC) ster 1 (J)
Tempo 72,605 ± 108,181 ± 11,788 ± 73,088 ± 72,349 ± 74,448 ± 75,948 ± 73,453 ± 72,384 ± 74,041 ± 50,372 ±
0,22 0,386 0,912 0,239 0,242 0,417 0,512 0,262 0,358 0,312 0,99
MSR 30.616,141 35.357,061 20.763,481 31.478,282 31.681,627 34.552,521 33.858,086 40.381,796 32.045,873 33.178,619 7.331,268 ±
(melhor) ± 3.557,608 ± 545,185 ± 5.813,589 ± 2.217,865 ± 2.872,674 ± 1.327,786 ± 1.483,697 ± 4.868,557 ± 2.551,689 ± 2.128,311 1.617,749
MSR 52.328,586 39.069,6 ± 30.768,797 48.164,605 64.293,285 35.964,781 34.481,851 76.024,96 ± 47.296,866 64.293,273 83.206,632
(média) ± 2.436,127 710,722 ± 5.853,962 ± 3.267,369 ± 3.960,937 ± 1.822,851 ± 1.097,573 2.668,301 ± 1.394,586 ± 2.945,64 ±
19.704,072
Volume 47.131,05 ± 193.942,45 9.707,9 ± 135.899,95 67.633,8 ± 88.611,4 ± 112.233,75 34.066,5 ± 131.932,2 ± 182.855,05 241.641,05
(melhor) 7.416,519 ± 4.340,421 3.354,335 ± 5.736,036 3.967,596 4.662,628 ± 5.986,157 12.460,225 4.909,22 ± 5.035,302 ±
10.299,604
Volume 44.724,462 188.479,629 1.981,295 ± 88.030,464 50.279,485 76.751,457 86.032,419 44.968,344 83.184,166 101.319,415 22.449,349
(média) ± 2.158,442 ± 2.192,687 315,068 ± 2.633,205 ± 2.264,041 ± 4.865,894 ± 4.740,218 ± 2.864,713 ± 3.659,244 ± 2.853,632 ± 4.872,596
Cobertura 0,995 ± 0,996 ± 0,265 ± 0,999 ± 0,995 ± 0,934 ± 0,965 ± 0,99 ± 0,999 ± 1±0 0,963 ±
elementos 0,001 0,001 0,036 0,001 0,002 0,006 0,004 0,003 0,001 0,011
Cobertura 1±0 0,996 ± 0,728 ± 1±0 1±0 0,988 ± 0,991 ± 1±0 1 ± 0,001 1±0 0,972 ±
linhas e 0,001 0,024 0,002 0,002 0,01
colunas
Sobreposi- 0,156 ± 0,758 ± 0,007 ± 0,307 ± 0,18 ± 0,754 ± 0,448 ± 0,171 ± 0,287 ± 0,352 ± 0,033 ±
ção 0,008 0,049 0,001 0,009 0,008 0,003 0,041 0,011 0,013 0,009 0,008
Jaccard 0,224 ± 0,716 ± 0,039 ± 0,34 ± 0,255 ± 0,764 ± 0,462 ± 0,228 ± 0,319 ± 0,367 ± 0,201 ±
0,007 0,067 0,002 0,007 0,009 0,002 0,038 0,008 0,01 0,008 0,012
Qtd. - 7,35 ± 4,9 ± 2,245 37,65 ± 7,3 ± 2,296 4,35 ± 22,7 ± 36,35 ± 0,15 ± 5,9 ± 1,518 1,75 ± 34,45 ±
biclusters 2,277 3,483 1,348 21,568 8,022 0,366 0,716 2,038
Sucesso 100 95 100 100 100 100 100 15 100 90 100
VE -0,039 ± 0,009 ± 0,054 ± -0,003 ± -0,028 ± -0,029 ± -0,115 ± -0,037 ± 0,223 ± -0,03 ± -0,035 ±
0,491 0,578 0,336 0,554 0,526 0,45 0,414 0,295 0,556 0,804 0,941
TVE -0,387 ± -0,556 ± 0,052 ± 0,155 ± 0,041 ± -0,003 ± -0,371 ± -0,085 ± -0,402 ± 0,548 ± 0,211 ±
1,985 2,038 1,112 2,317 2,113 1,431 1,727 0,891 2,507 2,275 1,332
MI 2,518 ± 2,49 ± 2,443 ± 2,488 ± 2,525 ± 2,542 ± 2,511 ± 2,525 ± 2,489 ± 2,477 ± 2,32 ±
0,052 0,019 0,088 0,029 0,05 0,034 0,031 0,066 0,024 0,018 0,008
LC 0,17 ± 0,164 ± 0,184 ± 0,165 ± 0,166 ± 0,173 ± 0,168 ± 0,184 ± 0,163 ± 0,163 ± 0,182 ±
0,013 0,002 0,018 0,006 0,008 0,008 0,006 0,018 0,005 0,004 0,002
204
Tabela 112: Resultado do Bagged Biclustering com um algoritmo (com sobreposição) para Multitissue
Multitissue ABC 5 (J) BICACO 5 BIC-aiNet 1 CDE 3 (J) dFSS 5 CGA 1 (J) FSGA 1 (J) GSO 5 (J) MHS 4 (J) NichePSO 4 SwarmBclu
(LC) (LC) (LC) (J) ster 1 (J)
Tempo 63,104 ± 91,914 ± 9,301 ± 63,48 ± 62,72 ± 64,703 ± 65,976 ± 62,747 ± 62,109 ± 63,128 ± 40,44 ±
0,232 0,451 0,591 0,303 0,206 0,402 0,458 0,223 0,172 0,146 1,153
MSR 122.406,395 154.642,713 130.028,291 160.522,791 149.660,393 160.078,842 159.506,538 216.293,095 154.276,17 152.526,213 109.627,176
(melhor) ± ± ± ± 8.239,764 ± ± 7.652,656 ± 6.231,009 ± ± ± ±
17.700,351 14.766,126 35.286,237 16.297,249 40.646,015 10.402,878 12.610,378 39.843,972
MSR 248.735,144 183.566,994 218.542,691 250.089,908 306.606,522 167.766,539 162.918,001 391.280,715 223.204,313 312.836,299 910.834,112
(média) ± ± 2.796,329 ± ± 8.638,517 ± ± ± 3.879,734 ± ± 7.429,06 ± ±
13.100,193 28.680,343 19.864,921 10.029,633 23.500,561 13.407,467 258.690,056
Volume 38.658,15 ± 146.926,3 ± 5.654,85 ± 124.177,1 ± 53.884,25 ± 70.228,15 ± 87.737,4 ± 31.991,95 ± 104.196,4 ± 137.788,1 ± 157.465,85
(melhor) 2.229,333 6.005,371 2.194,188 7.805,905 2.612,077 3.392,608 4.164,848 15.506,514 4.704,284 3.758,346 ±
17.813,806
Volume 36.879,213 145.542,817 1.784,154 ± 88.390,7 ± 41.415,105 61.288,906 70.940,251 37.243,834 66.940,144 79.184,405 23.698,291
(média) ± 1.723,734 ± 1.584,811 189,863 3.771,152 ± 1.684,012 ± 4.504,388 ± 3.110,048 ± 2.144,917 ± 2.125,721 ± 3.534,055 ± 4.187,076
Cobertura 0,992 ± 0,994 ± 0,286 ± 0,994 ± 0,994 ± 0,896 ± 0,931 ± 0,989 ± 0,991 ± 1±0 0,971 ±
elementos 0,002 0,002 0,026 0,003 0,002 0,008 0,008 0,003 0,002 0,01
Cobertura 1 ± 0,001 0,996 ± 0,775 ± 0,997 ± 1±0 0,965 ± 0,97 ± 1±0 0,995 ± 1±0 0,997 ±
linhas e 0,001 0,018 0,003 0,007 0,006 0,003 0,008
colunas
Sobreposi- 0,159 ± 0,726 ± 0,007 ± 0,377 ± 0,18 ± 0,755 ± 0,469 ± 0,172 ± 0,288 ± 0,337 ± 0,05 ±
ção 0,008 0,033 0,001 0,016 0,007 0,006 0,045 0,009 0,009 0,016 0,015
Jaccard 0,226 ± 0,689 ± 0,04 ± 0,379 ± 0,254 ± 0,764 ± 0,477 ± 0,229 ± 0,32 ± 0,359 ± 0,184 ±
0,007 0,045 0,002 0,013 0,007 0,005 0,042 0,008 0,007 0,013 0,013
Qtd. - 10,8 ± 6,6 ± 2,234 24,95 ± 1,8 ± 0,834 5,65 ± 27,35 ± 34,9 ± 0,1 ± 0,308 7,45 ± 2,05 ± 0,51 31 ± 4,052
biclusters 2,745 4,032 1,631 20,699 5,946 1,905
Sucesso 100 100 100 100 100 100 100 10 100 100 100
VE -0,028 ± 0,34 ± -0,035 ± -0,019 ± 0,014 ± -0,033 ± -0,013 ± 0,116 ± -0,045 ± 0,209 ± -0,431 ±
0,579 0,991 0,356 0,921 0,472 0,593 0,394 0,455 0,468 0,834 1,564
TVE -0,065 ± 0,053 ± -0,053 ± -0,061 ± 0,022 ± 0,208 ± 0,037 ± -0,039 ± 0,186 ± 0,115 ± -0,209 ±
0,342 0,408 0,18 0,332 0,299 0,282 0,404 0,288 0,497 0,382 0,544
MI 0,701 ± 0,794 ± 0,714 ± 0,758 ± 0,708 ± 0,749 ± 0,766 ± 0,736 ± 0,757 ± 0,765 ± 0,706 ±
0,033 0,023 0,08 0,021 0,027 0,034 0,028 0,073 0,017 0,016 0,056
LC 0,128 ± 0,14 ± 0,01 0,181 ± 0,12 ± 0,137 ± 0,135 ± 0,132 ± 0,168 ± 0,12 ± 0,115 ± 0,13 ±
0,008 0,026 0,005 0,012 0,015 0,012 0,02 0,007 0,003 0,027
205
Tabela 113: Resultado do Bagged Biclustering com um algoritmo (com sobreposição) para Yeast
Yeast ABC 5 (J) BICACO 3 BIC-aiNet 1 CDE 1 (LC) dFSS 5 CGA 1 FSGA 1 GSO 5 (J) MHS 1 NichePSO 4 SwarmBclu
(LC) (LC) (LC) (LC) (LC) (LC) (J) ster 1 (J)
Tempo 91,126 ± 70,766 ± 1,76 ± 91,253 ± 89,529 ± 95,485 ± 94,092 ± 91,325 ± 91,38 ± 93,05 ± 7,616 ±
0,148 0,831 0,153 0,224 3,869 1,143 0,573 0,276 0,212 0,315 0,279
MSR 169,931 ± 278,668 ± 296,988 ± 218,727 ± 167,731 ± 228,839 ± 245,574 ± 259,547 ± 167,896 ± 128,783 ± 261,661 ±
(melhor) 106,549 12,89 2,993 143,803 131,049 37,494 33,408 302,228 163,975 100,453 31,459
MSR 637,532 ± 344,889 ± 356,584 ± 672,803 ± 810,85 ± 261,257 ± 341,236 ± 951,269 ± 695,634 ± 894,174 ± 273,357 ±
(média) 31,567 22,536 22,062 19,204 31,454 69,289 112,482 64,149 42,935 35,715 15,138
Volume 1.416,9 ± 5.034,6 ± 871,4 ± 2.318,6 ± 1.543,7 ± 2.514,8 ± 2.772,7 ± 1.839,2 ± 2.018,35 ± 1.137,7 ± 3.904,85 ±
(melhor) 554,56 524,841 211,386 1.360,111 569,505 35,006 40,561 1.416,822 1.192,538 554,879 1.205,973
Volume 4.898,88 ± 2.820,219 ± 357,154 ± 11.410,136 6.403,112 ± 2.490,931 ± 3.493,081 ± 6.591,596 ± 11.423,638 10.491,026 2.090,076 ±
(média) 437,041 130,015 55,166 ± 737,823 547,946 500,109 1.212,128 731,277 ± 1.205,818 ± 1.058,199 232,335
Cobertura 0,937 ± 0,613 ± 0,28 ± 0,859 ± 0,98 ± 0,343 ± 0,388 ± 0,989 ± 0,906 ± 0,996 ± 0,654 ±
elementos 0,014 0,027 0,032 0,034 0,007 0,028 0,041 0,005 0,05 0,002 0,025
Cobertura 0,994 ± 0,839 ± 0,455 ± 0,891 ± 0,999 ± 0,539 ± 0,569 ± 1±0 0,947 ± 0,999 ± 0 0,728 ±
linhas e 0,018 0,016 0,027 0,055 0,001 0,049 0,081 0,066 0,017
colunas
Sobreposi- 0,137 ± 0,151 ± 0,009 ± 0,343 ± 0,158 ± 0,662 ± 0,343 ± 0,1 0,161 ± 0,318 ± 0,251 ± 0,077 ±
ção 0,013 0,01 0,002 0,018 0,014 0,061 0,017 0,026 0,024 0,008
Jaccard 0,188 ± 0,295 ± 0,039 ± 0,378 ± 0,232 ± 0,724 ± 0,439 ± 0,196 ± 0,349 ± 0,296 ± 0,059 ±
0,008 0,015 0,006 0,014 0,007 0,052 0,047 0,011 0,018 0,016 0,003
Qtd. - 4,7 ± 2,452 16,7 ± 31,45 ± 0,85 ± 2,05 ± 1,82 43,6 ± 29,25 ± 1,2 ± 1,642 1,4 ± 1,273 1,8 ± 0,696 27,55 ± 3
biclusters 3,028 3,348 0,813 12,592 18,113
Sucesso 100 100 100 65 90 100 100 65 75 100 100
VE -0,018 ± 0,593 ± -0,066 ± 0,151 ± 0,024 ± -0,001 ± -0,02 ± -0,12 ± -0,077 ± 0,013 ± -0,229 ±
0,073 1,833 0,487 0,633 0,096 0,095 0,099 0,747 0,467 0,054 1,206
TVE -0,803 ± 0,853 ± -0,617 ± -1,316 ± -0,989 ± 149,836 ± 7,493 ± -0,411 ± -4,37 ± -3,118 ± -1,24 ±
16,139 4,24 6,486 7,49 9,34 1.457,347 16,195 1,894 19,314 10,576 6,082
MI 0,278 ± 0,923 ± 1,065 ± 0,329 ± 0,274 ± 0,385 ± 0,409 ± 0,318 ± 0,253 ± 0,229 ± 1,218 ±
0,168 0,044 0,134 0,212 0,214 0,044 0,044 0,355 0,245 0,177 0,304
LC 0,402 ± 0,404 ± 0,309 ± 0,432 ± 0,38 ± 0,29 0,556 ± 0,591 ± 0,263 ± 0,309 ± 0,331 ± 0,346 ±
0,242 0,031 0,034 0,262 0,064 0,064 0,273 0,289 0,255 0,063
206
Tabela 114: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição) para Artificial_2
Artificial_2 ABC 10 (LC) BICACO 7 BIC-aiNet 6 CDE 10 (LC) dFSS 10 CGA 6 (LC) FSGA 10 GSO 10 (LC) MHS 10 NichePSO 10 SwarmBclust
(LC) (LC) (LC) (LC) (LC) (LC) er 6 (LC)
Tempo 9,057 ± 0,049 5,041 ± 0,037 2,17 ± 0,361 8,82 ± 0,062 9,136 ± 0,072 7,812 ± 0,202 8,912 ± 0,13 9,154 ± 0,133 8,811 ± 0,034 8,956 ± 0,051 6,142 ± 0,027
MSR 9,285 ± 5,298 12,039 ± 1,056 ± 1,536 15,988 ± 21,126 ± 22,745 ± 16,216 ± 19,88 ± 5,75 12,538 ± 12,161 ± 0,364 ± 0,067
(melhor) 4,521 5,712 4,063 0,936 8,869 5,628 6,103
MSR (média) 28,388 ± 28,877 ± 20,812 ± 28,56 ± 0,27 30,157 ± 0,38 25,261 ± 29,313 ± 30,348 ± 28,138 ± 29,235 ± 0,29 0,97 ± 0,35
0,323 0,317 0,653 0,355 0,518 0,405 0,354
Volume 28,95 ± 834,1 ± 21,55 ± 327,7 ± 184,8 ± 2.272,5 ± 69,65 ± 152,2 ± 129,3 ± 201,25 ± 129,3 ±
(melhor) 39,069 690,263 12,821 347,063 251,26 382,666 108,627 191,486 230,988 487,28 13,542
Volume 1.381,619 ± 1.828,18 ± 208,242 ± 1.459,486 ± 1.478,375 ± 2.623,125 ± 1.741,05 ± 1.194,033 ± 1.412,195 ± 1.394,409 ± 101,01 ± 7,58
(média) 48,879 74,76 27,479 54,992 43,768 153,275 122,025 56,436 60,913 59,988
Cobertura 0,984 ± 0,005 0,978 ± 0,006 0,398 ± 0,044 0,978 ± 0,006 0,994 ± 0,002 0,655 ± 0,022 0,931 ± 0,014 0,963 ± 0,017 0,978 ± 0,009 0,982 ± 0,005 0,182 ± 0,013
elementos
Cobertura 1 ± 0,001 0,998 ± 0,002 0,989 ± 0,008 1 ± 0,001 1±0 0,894 ± 0,025 0,996 ± 0,005 0,996 ± 0,004 1±0 0,999 ± 0,002 0,317 ± 0,018
linhas e
colunas
Sobreposição 0,064 ± 0,004 0,096 ± 0,004 0,01 ± 0,001 0,071 ± 0,004 0,065 ± 0,003 0,194 ± 0,012 0,103 ± 0,008 0,053 ± 0,003 0,068 ± 0,004 0,064 ± 0,003 0,013 ± 0,002
Jaccard 0,124 ± 0,007 0,163 ± 0,006 0,047 ± 0,003 0,136 ± 0,007 0,134 ± 0,007 0,269 ± 0,011 0,162 ± 0,013 0,154 ± 0,011 0,128 ± 0,007 0,129 ± 0,006 0,248 ± 0,022
Qtd. - 0,25 ± 0,55 0±0 1,8 ± 1,196 0±0 0±0 0±0 0,2 ± 0,523 0±0 0±0 0,05 ± 0,224 41,9 ± 2,594
biclusters
Sucesso 20 0 90 0 0 0 15 0 0 5 100
VE -0,005 ± -0,01 ± 0,229 0 ± 0,096 0,017 ± 0,114 -0,007 ± -0,074 ± 0,018 ± 0,066 -3,633 ± 0,003 ± 0,084 -0,047 ± 1,017 ± 1,801
0,108 0,119 0,257 16,296 0,175
TVE 0,018 ± 0,143 0,042 ± 0,428 0,464 ± 1,897 0,092 ± 0,293 -0,023 ± 0,16 0,065 ± 0,4 -0,043 ± 0,034 ± 0,235 0,056 ± 0,149 -0,088 ± 0,142 ± 0,415
0,099 0,219
MI 0,904 ± 0,384 0,836 ± 0,147 0,568 ± 0,31 1,113 ± 0,207 1,388 ± 0,174 1,16 ± 0,067 1,074 ± 0,558 1,35 ± 0,283 1,111 ± 0,239 0,896 ± 0,463 0,601 ± 0,152
LC 0,429 ± 0,299 0,353 ± 0,231 0,705 ± 0,364 0,333 ± 0,194 0,281 ± 0,112 0,198 ± 0,015 0,39 ± 0,278 0,271 ± 0,146 0,388 ± 0,17 0,441 ± 0,297 0,895 ± 0,111
RMS 0,007 ± 0,016 0±0 0,039 ± 0,033 0±0 0±0 0±0 0,007 ± 0,018 0±0 0±0 0,001 ± 0,005 0,058 ± 0,001
(biclusters)
RMS 0,123 ± 0,006 0,151 ± 0,007 0,098 ± 0,008 0,134 ± 0,006 0,118 ± 0,005 0,234 ± 0,013 0,142 ± 0,01 0,103 ± 0,006 0,13 ± 0,007 0,123 ± 0,005 0,068 ± 0,003
(população)
CMS 0,008 ± 0,016 0±0 0,032 ± 0,028 0±0 0±0 0±0 0,001 ± 0,003 0±0 0±0 0±0 0,467 ± 0,04
(biclusters)
CMS 0,28 ± 0,012 0,32 ± 0,007 0,115 ± 0,012 0,301 ± 0,015 0,268 ± 0,009 0,476 ± 0,019 0,273 ± 0,017 0,278 ± 0,013 0,288 ± 0,013 0,276 ± 0,013 0,501 ± 0,029
(população)
MS 0,006 ± 0,013 0±0 0,034 ± 0,028 0±0 0±0 0±0 0,004 ± 0,01 0±0 0±0 0,001 ± 0,002 0,295 ± 0,025
(biclusters)
MS 0,189 ± 0,007 0,221 ± 0,004 0,104 ± 0,008 0,203 ± 0,009 0,183 ± 0,006 0,328 ± 0,015 0,194 ± 0,01 0,188 ± 0,008 0,195 ± 0,008 0,188 ± 0,007 0,32 ± 0,017
(população)
207
Tabela 115: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição) para Artificial_4
Artificial_4 ABC 10 (LC) BICACO 7 BIC-aiNet 6 CDE 10 (LC) dFSS 10 CGA 6 (LC) FSGA 10 GSO 10 (LC) MHS 10 NichePSO 10 SwarmBclust
(J) (LC) (LC) (LC) (LC) (LC) er 7 (J)
Tempo 9,163 ± 0,091 5,06 ± 0,072 1,658 ± 0,247 8,94 ± 0,093 9,224 ± 0,074 8,137 ± 0,175 8,864 ± 0,145 9,145 ± 0,062 8,879 ± 0,075 9,034 ± 0,058 5,774 ± 0,083
MSR 6,177 ± 4,499 9,76 ± 1,697 1,209 ± 1,476 9,769 ± 3,939 13,898 ± 14,695 ± 9,538 ± 5,589 13,08 ± 4,636 6,712 ± 5,192 5,933 ± 4,663 0,309 ± 0,195
(melhor) 2,277 0,693
MSR (média) 19,763 ± 18,256 ± 14,445 ± 19,787 ± 21,267 ± 16,438 ± 19,3 ± 0,652 21,489 ± 0,37 19,43 ± 0,373 20,359 ± 5,013 ± 0,816
0,313 0,311 0,821 0,347 0,337 0,385 0,347
Volume 67 ± 87,977 555,35 ± 26,95 ± 472 ± 175,8 ± 2.341,2 ± 524,65 ± 109,1 ± 52,75 ± 124,35 ± 97,55 ± 8,775
(melhor) 764,939 18,788 458,117 209,735 344,567 966,147 113,74 87,197 362,167
Volume 1.411,494 ± 1.698,143 ± 229,586 ± 1.491,937 ± 1.495,744 ± 2.750 ± 1.699,08 ± 1.211,424 ± 1.423,852 ± 1.396,922 ± 136,009 ±
(média) 54,555 115,693 28,332 58,148 49,778 141,36 105,915 52,875 51,646 70,872 10,781
Cobertura 0,986 ± 0,003 0,938 ± 0,014 0,428 ± 0,04 0,976 ± 0,007 0,994 ± 0,002 0,664 ± 0,026 0,897 ± 0,017 0,966 ± 0,014 0,975 ± 0,006 0,983 ± 0,005 0,267 ± 0,019
elementos
Cobertura 1±0 0,994 ± 0,005 0,991 ± 0,009 0,999 ± 0,002 1 ± 0,001 0,874 ± 0,024 0,99 ± 0,008 0,997 ± 0,005 0,999 ± 0,002 0,999 ± 0,002 0,463 ± 0,026
linhas e
colunas
Sobreposição 0,065 ± 0,004 0,101 ± 0,006 0,011 ± 0,001 0,072 ± 0,004 0,066 ± 0,003 0,202 ± 0,009 0,11 ± 0,01 0,054 ± 0,002 0,068 ± 0,004 0,064 ± 0,004 0,009 ± 0,001
Jaccard 0,125 ± 0,008 0,166 ± 0,006 0,049 ± 0,003 0,137 ± 0,005 0,135 ± 0,006 0,276 ± 0,008 0,17 ± 0,014 0,157 ± 0,01 0,128 ± 0,007 0,128 ± 0,008 0,285 ± 0,01
Qtd. - 0,25 ± 0,55 0±0 2,25 ± 1,333 0±0 0±0 0±0 0,15 ± 0,366 0,05 ± 0,224 0,4 ± 0,598 0,25 ± 0,444 21,8 ± 3,254
biclusters
Sucesso 20 0 90 0 0 0 15 5 35 25 100
VE -0,006 ± -0,003 ± -0,007 ± -0,016 ± -0,017 ± 0,009 ± 0,11 0,017 ± 0,064 -0,011 ± 0,041 ± 0,086 0,018 ± 0,064 -0,699 ±
0,061 0,113 0,049 0,104 0,061 0,092 3,046
TVE 0,021 ± 0,038 0,001 ± 0,043 0,001 ± 0,079 0,016 ± 0,036 0,013 ± 0,074 0,003 ± 0,044 -0,004 ± 0,01 ± 0,028 -0,001 ± 0,04 -0,003 ± -0,01 ± 0,022
0,025 0,052
MI 0,655 ± 0,38 0,879 ± 0,112 0,62 ± 0,3 0,843 ± 0,263 1,132 ± 0,18 0,969 ± 0,042 0,806 ± 0,392 1,177 ± 0,265 0,617 ± 0,487 0,748 ± 0,477 0,906 ± 0,329
LC 0,291 ± 0,279 0,222 ± 0,102 0,67 ± 0,284 0,309 ± 0,268 0,288 ± 0,185 0,151 ± 0,014 0,407 ± 0,338 0,308 ± 0,215 0,324 ± 0,331 0,297 ± 0,226 0,858 ± 0,232
RMS 0,004 ± 0,009 0±0 0,057 ± 0,023 0±0 0±0 0±0 0,004 ± 0,013 0,001 ± 0,006 0,008 ± 0,012 0,007 ± 0,013 0,048 ± 0,002
(biclusters)
RMS 0,143 ± 0,005 0,174 ± 0,006 0,119 ± 0,007 0,152 ± 0,004 0,139 ± 0,003 0,227 ± 0,01 0,164 ± 0,009 0,125 ± 0,005 0,148 ± 0,007 0,143 ± 0,005 0,07 ± 0,005
(população)
CMS 0,009 ± 0,019 0±0 0,047 ± 0,03 0±0 0±0 0±0 0,016 ± 0,053 0,003 ± 0,013 0,026 ± 0,054 0,015 ± 0,037 0,512 ± 0,028
(biclusters)
CMS 0,283 ± 0,012 0,333 ± 0,01 0,146 ± 0,01 0,298 ± 0,009 0,282 ± 0,01 0,42 ± 0,013 0,297 ± 0,02 0,295 ± 0,01 0,289 ± 0,01 0,278 ± 0,011 0,531 ± 0,021
(população)
MS 0,005 ± 0,011 0±0 0,047 ± 0,024 0±0 0±0 0±0 0,01 ± 0,032 0,002 ± 0,01 0,015 ± 0,03 0,009 ± 0,022 0,309 ± 0,016
(biclusters)
MS 0,194 ± 0,008 0,231 ± 0,005 0,126 ± 0,007 0,204 ± 0,005 0,193 ± 0,006 0,295 ± 0,009 0,21 ± 0,012 0,199 ± 0,007 0,198 ± 0,007 0,191 ± 0,006 0,337 ± 0,012
(população)
208
Tabela 116: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição) para Artificial_6
Artificial_6 ABC 10 (LC) BICACO 7 BIC-aiNet 6 CDE 10 (LC) dFSS 10 CGA 6 (LC) FSGA 10 GSO 10 (LC) MHS 10 NichePSO 10 SwarmBclust
(J) (LC) (LC) (LC) (LC) (LC) er 6 (J)
Tempo 9,119 ± 0,111 5,068 ± 0,08 1,711 ± 0,297 8,858 ± 0,083 9,176 ± 0,104 7,898 ± 0,105 8,948 ± 0,151 9,159 ± 0,088 8,813 ± 0,051 8,926 ± 0,052 5,421 ± 0,029
MSR 7,289 ± 5,506 12,515 ± 0,683 ± 0,313 14,145 ± 16,635 ± 20,259 ± 16,444 ± 17,077 ± 7,697 ± 6,01 9,091 ± 6,308 0,436 ± 0,235
(melhor) 4,505 5,142 5,809 0,928 7,185 7,621
MSR (média) 25,765 ± 26,026 ± 17,939 ± 25,825 ± 27,539 ± 22,589 ± 26,402 ± 0,49 27,796 ± 25,403 ± 0,41 26,385 ± 4,29 ± 0,506
0,309 0,321 0,878 0,311 0,419 0,327 0,429 0,457
Volume 45,65 ± 280,25 ± 23,45 ± 9,881 296,1 ± 215,65 ± 2.062,15 ± 399,35 ± 107,6 ± 73,1 ± 133,35 ± 122,65 ±
(melhor) 65,128 575,105 345,355 322,845 355,148 712,372 91,436 134,164 251,211 45,948
Volume 1.387,927 ± 1.770,023 ± 233,366 ± 1.461,209 ± 1.469,491 ± 2.518,555 ± 1.696,071 ± 1.206,645 ± 1.387,527 ± 1.380,906 ± 184,35 ±
(média) 45,386 88,952 39,086 40,267 51,272 89,477 117,7 60,082 44,324 61,244 18,037
Cobertura 0,984 ± 0,005 0,969 ± 0,006 0,433 ± 0,051 0,978 ± 0,007 0,994 ± 0,002 0,647 ± 0,022 0,92 ± 0,015 0,965 ± 0,015 0,973 ± 0,006 0,982 ± 0,004 0,38 ± 0,035
elementos
Cobertura 1 ± 0,001 0,999 ± 0,002 0,99 ± 0,008 0,999 ± 0,002 1±0 0,897 ± 0,026 0,995 ± 0,005 0,996 ± 0,005 1 ± 0,001 1 ± 0,001 0,62 ± 0,037
linhas e
colunas
Sobreposição 0,065 ± 0,003 0,096 ± 0,005 0,011 ± 0,002 0,071 ± 0,003 0,065 ± 0,002 0,185 ± 0,008 0,105 ± 0,01 0,054 ± 0,003 0,068 ± 0,003 0,063 ± 0,004 0,008 ± 0,001
Jaccard 0,123 ± 0,006 0,16 ± 0,005 0,049 ± 0,004 0,134 ± 0,005 0,132 ± 0,006 0,259 ± 0,007 0,168 ± 0,016 0,151 ± 0,011 0,126 ± 0,006 0,126 ± 0,008 0,291 ± 0,012
Qtd. - 0,15 ± 0,366 0±0 2,35 ± 1,424 0,05 ± 0,224 0,05 ± 0,224 0±0 0,05 ± 0,224 0,05 ± 0,224 0,25 ± 0,444 0,25 ± 0,444 26,9 ± 2,222
biclusters
Sucesso 15 0 95 5 5 0 5 5 25 25 100
VE 0,068 ± 0,221 -0,035 ± -0,048 ± -0,06 ± 0,341 -0,045 ± -0,07 ± 0,397 -0,114 ± 0,063 ± 0,147 0,064 ± 0,321 0,019 ± 0,17 0,622 ± 2,564
0,298 0,139 0,224 0,191
TVE 0,017 ± 0,291 0,352 ± 1,913 -0,02 ± 0,285 0,052 ± 0,295 0,036 ± 0,202 -0,038 ± 0,33 0,009 ± 0,176 0,028 ± 0,173 -0,056 ± 0,029 ± 0,241 -0,173 ±
0,539 0,747
MI 0,803 ± 0,409 0,999 ± 0,243 0,596 ± 0,33 1,01 ± 0,273 1,122 ± 0,4 1,121 ± 0,035 0,99 ± 0,344 1,141 ± 0,369 0,77 ± 0,4 0,771 ± 0,494 0,936 ± 0,441
LC 0,456 ± 0,331 0,419 ± 0,237 0,733 ± 0,339 0,298 ± 0,164 0,362 ± 0,248 0,212 ± 0,026 0,41 ± 0,25 0,295 ± 0,191 0,387 ± 0,223 0,315 ± 0,249 0,839 ± 0,19
RMS 0,005 ± 0,013 0±0 0,066 ± 0,022 0,002 ± 0,01 0,001 ± 0,006 0±0 0,001 ± 0,005 0,001 ± 0,005 0,013 ± 0,026 0,009 ± 0,018 0,06 ± 0,002
(biclusters)
RMS 0,147 ± 0,007 0,158 ± 0,004 0,135 ± 0,012 0,151 ± 0,005 0,143 ± 0,004 0,198 ± 0,007 0,159 ± 0,008 0,129 ± 0,006 0,151 ± 0,006 0,144 ± 0,006 0,103 ± 0,006
(população)
CMS 0,004 ± 0,01 0±0 0,051 ± 0,02 0,001 ± 0,007 0,001 ± 0,007 0±0 0,001 ± 0,006 0,001 ± 0,007 0,015 ± 0,033 0,012 ± 0,022 0,478 ± 0,026
(biclusters)
CMS 0,279 ± 0,007 0,312 ± 0,008 0,161 ± 0,016 0,294 ± 0,009 0,28 ± 0,008 0,411 ± 0,018 0,281 ± 0,021 0,295 ± 0,01 0,281 ± 0,01 0,276 ± 0,008 0,516 ± 0,015
(população)
MS 0,003 ± 0,008 0±0 0,05 ± 0,017 0,002 ± 0,008 0,001 ± 0,006 0±0 0,001 ± 0,005 0,001 ± 0,005 0,013 ± 0,029 0,009 ± 0,018 0,307 ± 0,018
(biclusters)
MS 0,191 ± 0,005 0,21 ± 0,004 0,14 ± 0,013 0,2 ± 0,004 0,192 ± 0,006 0,27 ± 0,01 0,197 ± 0,012 0,199 ± 0,006 0,192 ± 0,006 0,189 ± 0,005 0,354 ± 0,01
(população)
209
Tabela 117: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição) para Arabidopsis
Arabidopsis ABC 6 (J) BICACO 6 BIC-aiNet 6 CDE 6 (J) dFSS 6 (J) CGA 6 FSGA 6 (J) GSO 6 (J) MHS 6 (J) NichePSO 6 SwarmBclu
(LC) (LC) (LC) (J) ster 6 (J)
Tempo 25,343 ± 35,574 ± 1,523 ± 25,187 ± 25,346 ± 26,502 ± 26,897 ± 25,364 ± 24,772 ± 25,247 ± 12,023 ±
0,088 0,268 0,115 0,093 0,129 0,309 0,242 0,113 0,12 0,113 0,232
MSR 372,611 ± 307,581 ± 476,152 ± 452,596 ± 456,687 ± 670,241 ± 678,418 ± 425,113 ± 410,325 ± 441,762 ± 398,817 ±
(melhor) 181,663 291,802 145,055 176,524 192,556 27,646 19,731 193,444 176,844 152,796 254,785
MSR 24.242,904 2.671,965 ± 1.471,896 ± 8.157,965 ± 4.328,774 ± 728,396 ± 654,861 ± 2.012,445 ± 4.728,524 ± 4.261,281 ± 5.714,194 ±
(média) ± 1.290,588 677,088 9.303,9 8.183,669 19,063 220,155 2.853,749 2.552,676 2.996,788 2.882,522
24.656,891
Volume 595,95 ± 1.898,65 ± 1.647,75 ± 994,6 ± 979,6 ± 13.197,55 ± 15.167,05 ± 822,05 ± 1.171,25 ± 711,75 ± 10.838,65 ±
(melhor) 546,397 3.464,657 590,633 903,925 844,932 1.406,571 2.639,562 1.185,488 1.685,826 461,283 9.057,572
Volume 2.280,076 ± 4.012,515 ± 641,648 ± 2.842,331 ± 2.694,414 ± 11.314,72 ± 5.921,208 ± 2.643,256 ± 3.043,554 ± 2.392,835 ± 2.419,479 ±
(média) 400,074 785,476 60,581 330,945 775,153 501,175 636,25 525,394 434,522 509,889 237,014
Cobertura 1±0 0,978 ± 0,461 ± 1±0 1±0 0,901 ± 0,931 ± 1±0 1±0 1±0 0,991 ±
elementos 0,003 0,031 0,012 0,006 0,005
Cobertura 1±0 0,981 ± 0,83 ± 1±0 1±0 0,984 ± 0,987 ± 1±0 1±0 1±0 0,992 ±
linhas e 0,002 0,018 0,012 0,009 0,005
colunas
Sobreposi- 0,042 ± 0,049 ± 0,013 ± 0,049 ± 0,049 ± 0,23 ± 0,083 ± 0,044 ± 0,049 ± 0,047 ± 0,051 ±
ção 0,007 0,01 0,001 0,006 0,008 0,015 0,014 0,01 0,007 0,008 0,005
Jaccard 0,062 ± 0,071 ± 0,062 ± 0,05 ± 0,069 ± 0,252 ± 0,106 ± 0,095 ± 0,046 ± 0,072 ± 0,124 ±
0,017 0,014 0,005 0,006 0,013 0,016 0,025 0,024 0,008 0,011 0,015
Qtd. - 17,15 ± 15,35 ± 30,7 ± 18,25 ± 20,05 ± 2,75 ± 12,35 ± 13,9 ± 18,8 ± 15,85 ± 23,3 ±
biclusters 3,588 3,183 2,179 3,508 3,953 1,118 2,601 2,882 4,034 3,265 3,511
Sucesso 100 100 100 100 100 100 100 100 100 100 100
VE 0,001 ± -0,006 ± -0,018 ± -0,044 ± -0,016 ± -0,007 ± 0,029 ± 0,003 ± 0,006 ± 0,014 ± 0,038 ±
0,076 0,051 0,091 0,161 0,14 0,095 0,127 0,073 0,079 0,083 0,158
TVE -0,005 ± 0,005 ± 0,002 ± 0,016 ± -0,01 ± 0,04 -0,009 ± 0,007 ± 0,001 ± -0,01 ± 0,01 ± 0,014 ±
0,043 0,035 0,041 0,049 0,036 0,029 0,021 0,048 0,061 0,029
MI 1,284 ± 0,753 ± 1,345 ± 1,306 ± 1,286 ± 1,287 ± 1,281 ± 1,304 ± 1,227 ± 1,279 ± 1,151 ±
0,165 0,558 0,086 0,145 0,148 0,032 0,036 0,102 0,26 0,154 0,354
LC 0,135 ± 0,285 ± 0,137 ± 0,209 ± 0,136 ± 0,109 ± 0,106 ± 0,144 ± 0,288 ± 0,148 ± 0,103 ±
0,099 0,346 0,017 0,119 0,064 0,005 0,008 0,084 0,22 0,085 0,049
210
Tabela 118: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição) para Brain_1
Brain_1 ABC 6 (J) BICACO 6 BIC-aiNet 6 CDE 6 (LC) dFSS 6 (J) CGA 6 FSGA 6 (J) GSO 6 (J) MHS 6 NichePSO 6 SwarmBclu
(J) (LC) (LC) (LC) (J) ster 6 (J)
Tempo 45,169 ± 65,451 ± 2,165 ± 45,173 ± 45,114 ± 46,907 ± 46,97 ± 45,298 ± 44,37 ± 45,117 ± 24,232 ±
0,145 0,374 0,18 0,155 0,182 0,479 0,33 0,202 0,14 0,175 0,571
MSR 5.528,156 ± 4.535,739 ± 6.531,302 ± 5.855,795 ± 5.336,22 ± 8.727,818 ± 8.535,689 ± 5.464,568 ± 4.917,236 ± 5.650,225 ± 5.378,051 ±
(melhor) 2.158,83 2.573,004 1.316,406 2.439,41 1.896,431 231,552 266,288 2.426,483 3.208,854 2.323,079 768,714
MSR 27.112,475 51.326,485 8.119,94 ± 34.701,693 20.488,168 9.617,061 ± 7.904,856 ± 13.310,025 38.886,648 27.848,153 12.683,081
(média) ± ± 1.019,279 ± ± 8.612,548 486,765 3.161,288 ± 4.277,028 ± ± ± 4.267,561
11.780,845 14.000,408 10.377,983 19.565,393 11.531,583
Volume 692,45 ± 850,1 ± 1.619,05 ± 1.212,75 ± 652,3 ± 17.010,8 ± 21.126,45 ± 937,35 ± 720,5 ± 516,35 ± 36.655,55 ±
(melhor) 774,156 963,13 376,541 1.091,484 857,971 2.266,586 2.327,907 974,583 1.350,538 601,632 1.600,12
Volume 2.521,202 ± 2.761,928 ± 455,067 ± 3.633,704 ± 3.080,879 ± 13.728,99 ± 5.576,982 ± 3.575,682 ± 3.909,289 ± 3.059,215 ± 2.631,734 ±
(média) 340,805 472,744 35,86 502,774 801,374 606,379 897,401 734,884 398,045 708,698 230,645
Cobertura 1±0 0,992 ± 0,275 ± 0,994 ± 1±0 0,804 ± 0,834 ± 1±0 0,987 ± 1±0 0,91 ±
elementos 0,001 0,018 0,004 0,023 0,022 0,007 0,009
Cobertura 1±0 0,992 ± 0,572 ± 1±0 1±0 0,907 ± 0,902 ± 1±0 0,993 ± 1±0 0,93 ±
linhas e 0,001 0,016 0,027 0,029 0,01 0,008
colunas
Sobreposi- 0,038 ± 0,025 ± 0,007 ± 0,048 ± 0,044 ± 0,231 ± 0,064 ± 0,04 ± 0,051 ± 0,043 ± 0,024 ±
ção 0,004 0,005 0,001 0,005 0,008 0,02 0,012 0,006 0,003 0,006 0,003
Jaccard 0,046 ± 0,187 ± 0,06 ± 0,048 ± 0,051 ± 0,217 ± 0,1 ± 0,029 0,085 ± 0,043 ± 0,061 ± 0,179 ±
0,006 0,039 0,004 0,005 0,008 0,02 0,025 0,004 0,01 0,012
Qtd. - 15,45 ± 13,55 ± 34,8 ± 10,8 ± 18 ± 3,893 3,05 ± 18,3 ± 13,45 ± 11 ± 2,938 13,2 ± 33,3 ±
biclusters 3,268 3,62 3,205 3,205 1,761 5,332 3,72 3,397 3,028
Sucesso 100 100 100 100 100 95 100 100 100 100 100
VE 0,105 ± -0,039 ± -0,024 ± -0,056 ± -0,093 ± -0,045 ± -0,115 ± 0,023 ± 0,043 ± 0,018 ± 0,166 ±
0,329 0,217 0,265 0,189 0,189 0,706 0,535 0,311 0,109 0,249 0,75
TVE 0 ± 0,52 0,075 ± 0,049 ± 0,002 ± 0,077 ± 0,113 ± 0,126 ± 0,034 ± 0,369 ± 0,106 ± -0,018 ±
0,315 0,368 0,503 0,414 0,471 0,593 0,403 1,322 0,316 0,665
MI 2,175 ± 2,484 ± 2,505 ± 2,171 ± 2,369 ± 2,451 ± 2,495 ± 2,515 ± 1,22 ± 2,183 ± 2,693 ±
0,67 0,885 0,125 0,786 0,279 0,065 0,068 0,714 0,951 0,564 0,023
LC 0,328 ± 0,242 ± 0,279 ± 0,304 ± 0,291 ± 0,273 ± 0,271 ± 0,269 ± 0,45 ± 0,342 ± 0,257 ±
0,185 0,142 0,025 0,153 0,041 0,013 0,016 0,106 0,343 0,123 0,003
211
Tabela 119: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição) para Brain_2
Brain_2 ABC 6 (J) BICACO 6 BIC-aiNet 6 CDE 6 (LC) dFSS 6 (J) CGA 6 FSGA 6 (J) GSO 6 (J) MHS 6 NichePSO 6 SwarmBclu
(J) (LC) (LC) (LC) (J) ster 6 (J)
Tempo 44,394 ± 64,266 ± 1,842 ± 44,266 ± 44,377 ± 46,082 ± 45,797 ± 44,511 ± 43,499 ± 44,311 ± 28,248 ±
0,148 0,217 0,153 0,161 0,209 0,383 0,359 0,233 0,117 0,16 0,486
MSR 162.934,181 69.496,51 ± 197.190,975 152.400,87 165.740,601 283.788,742 273.785,874 135.345,024 131.803,427 159.956,437 232.279,895
(melhor) ± 81.841,106 ± ± ± ± 8.421,464 ± 9.881,913 ± ± ± ±
77.403,826 71.837,704 88.912,487 79.064,579 64.032,564 92.212,699 84.083,027 52.262,308
MSR 873.894,425 2.028.808,3 324.045,777 1.365.392,9 687.909,908 317.394,796 322.280,013 504.617,791 1.333.309,6 975.894,984 1.511.113,0
(média) ± 15 ± ± 06 ± ± ± ± ± 58 ± ± 1±
326.595,878 746.287,103 56.676,173 360.135,742 226.884,041 16.092,806 169.090,929 235.674,93 437.914,083 267.834,378 352.700,349
Volume 529,75 ± 564,15 ± 1.392 ± 666,95 ± 690,3 ± 13.130,3 ± 16.459,95 ± 407,65 ± 195,25 ± 402,3 ± 14.142,85 ±
(melhor) 485,516 834,003 379,195 818,6 768,584 2.148,7 1.528,443 254,053 219,11 318,766 8.775,457
Volume 2.229,072 ± 2.241,792 ± 434,91 ± 2.863,203 ± 2.593,281 ± 11.009,015 4.614,282 ± 3.076,468 ± 3.206,308 ± 2.380,384 ± 1.915,881 ±
(média) 322,644 279,709 42,969 516,628 406,101 ± 637,762 537,773 742,529 278,862 432,196 99,222
Cobertura 1±0 0,99 ± 0,307 ± 0,999 ± 1±0 0,792 ± 0,823 ± 1±0 0,999 ± 1±0 0,967 ±
elementos 0,001 0,027 0,001 0,039 0,021 0,001 0,004
Cobertura 1±0 0,991 ± 0,583 ± 1±0 1±0 0,92 ± 0,914 ± 1±0 1±0 1±0 0,976 ±
linhas e 0,001 0,025 0,046 0,029 0,004
colunas
Sobreposi- 0,038 ± 0,018 ± 0,008 ± 0,048 ± 0,043 ± 0,231 ± 0,063 ± 0,044 ± 0,05 ± 0,042 ± 0,027 ±
ção 0,004 0,006 0,001 0,004 0,005 0,02 0,011 0,008 0,005 0,004 0,003
Jaccard 0,048 ± 0,253 ± 0,067 ± 0,045 ± 0,052 ± 0,228 ± 0,091 ± 0,078 ± 0,036 ± 0,058 ± 0,165 ±
0,005 0,049 0,005 0,004 0,008 0,022 0,021 0,015 0,003 0,007 0,015
Qtd. - 17,85 ± 13,15 ± 32,45 ± 10,45 ± 19,7 ± 2,45 ± 15,95 ± 13,35 ± 14,15 ± 13,8 ± 27,8 ±
biclusters 3,216 3,281 3,379 2,417 4,143 1,572 3,692 3,924 3,99 1,908 2,419
Sucesso 100 100 100 100 100 85 100 100 100 100 100
VE 0,058 ± -0,01 ± 0,043 ± 0,022 ± 0,017 ± 0,035 ± -0,006 ± 0,018 ± 0,016 ± -0,063 ± 0,356 ±
0,174 0,233 0,182 0,16 0,203 0,552 0,447 0,173 0,087 0,376 0,516
TVE -0,005 ± 0,077 ± -0,146 ± -0,023 ± -0,044 ± 0,047 ± 0,091 ± -0,007 ± 0,244 ± -0,04 ± 0,019 ±
0,155 0,212 0,231 0,214 0,273 0,359 0,326 0,158 1,259 0,174 0,388
MI 0,803 ± 0,755 ± 0,855 ± 0,679 ± 0,759 ± 0,823 ± 0,859 ± 0,837 ± 0,576 ± 0,779 ± 0,937 ±
0,23 0,544 0,091 0,289 0,189 0,054 0,044 0,209 0,251 0,269 0,032
LC 0,212 ± 0,119 ± 0,188 ± 0,278 ± 0,228 ± 0,188 ± 0,18 ± 0,18 ± 0,331 ± 0,232 ± 0,152 ±
0,094 0,116 0,014 0,14 0,066 0,009 0,007 0,066 0,132 0,089 0,005
212
Tabela 120: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição) para Breast_Colon
Breast_Colo ABC 6 (LC) BICACO 6 BIC-aiNet 6 CDE 6 (LC) dFSS 6 (J) CGA 6 FSGA 6 GSO 6 (LC) MHS 6 NichePSO 6 SwarmBclu
n (LC) (LC) (LC) (LC) (LC) (J) ster 6 (J)
Tempo 8,741 ± 11,892 ± 0,697 ± 8,672 ± 8,791 ± 9,328 ± 9,976 ± 8,869 ± 8,459 ± 8,764 ± 4,657 ±
0,058 0,079 0,09 0,073 0,096 0,199 0,149 0,105 0,059 0,065 0,091
MSR 5.921,142 ± 11.943,07 ± 18.724,685 10.092,335 9.608,869 ± 21.036,303 19.602,802 6.954,568 ± 5.651,406 ± 5.675,939 ± 9.746,193 ±
(melhor) 7.896,37 7.975,211 ± 2.869,605 ± 8.791,784 6.907,773 ± 971,062 ± 4.696,866 7.567,205 7.478,946 6.733,989 4.047,546
MSR 426.786,178 23.434,64 ± 86.650,502 91.858,038 228.003,094 23.752,903 22.919,82 ± 125.706,626 77.923,547 321.749,636 151.171,615
(média) ± 8.707,914 ± ± ± ± 825,63 5.761,727 ± ± ± ±
172.972,996 28.255,339 40.252,262 119.861,192 29.583,387 44.179,068 191.002,931 44.889,979
Volume 97,1 ± 831,15 ± 4.417,85 ± 820,85 ± 124,9 ± 5.238,45 ± 5.667,55 ± 219 ± 345,1 ± 118,8 ± 6.739 ±
(melhor) 114,595 1.548,061 3.913,556 1.132,138 160,102 695,433 2.171,65 354,376 605,657 134,381 2.045,955
Volume 1.039,075 ± 1.184,367 ± 769,476 ± 879,995 ± 1.180,704 ± 4.270,94 ± 2.725,096 ± 1.486,514 ± 1.106,006 ± 1.202,337 ± 943,397 ±
(média) 152,534 257,9 77,357 176,033 230,089 188,151 577,66 316,521 270,476 226,551 98,729
Cobertura 0,999 ± 0 0,907 ± 0,855 ± 0,974 ± 1±0 0,866 ± 0,904 ± 1±0 0,964 ± 1±0 0,952 ±
elementos 0,012 0,035 0,007 0,012 0,009 0,012 0,009
Cobertura 1±0 0,908 ± 0,995 ± 0,983 ± 1±0 0,928 ± 0,931 ± 1±0 0,974 ± 1±0 0,992 ±
linhas e 0,012 0,004 0,008 0,008 0,009 0,016 0,005
colunas
Sobreposi- 0,048 ± 0,036 ± 0,042 ± 0,034 ± 0,052 ± 0,242 ± 0,113 ± 0,07 ± 0,047 ± 0,053 ± 0,041 ±
ção 0,006 0,016 0,004 0,007 0,011 0,012 0,035 0,017 0,011 0,011 0,006
Jaccard 0,077 ± 0,302 ± 0,085 ± 0,063 ± 0,082 ± 0,323 ± 0,139 ± 0,134 ± 0,079 ± 0,104 ± 0,148 ±
0,011 0,089 0,004 0,011 0,02 0,013 0,045 0,023 0,02 0,017 0,018
Qtd. - 9,35 ± 9,9 ± 3,508 15,65 ± 16,65 ± 12,15 ± 2,45 ± 8,5 ± 3,818 7,85 ± 12,6 ± 4,21 8 ± 2,734 21,8 ±
biclusters 2,661 3,329 2,777 3,313 1,504 2,796 4,526
Sucesso 100 100 100 100 100 90 100 100 100 100 100
VE 0,038 ± -0,089 ± 0,018 ± -0,046 ± -0,024 ± 0,099 ± 0,026 ± 0,055 ± 0,043 ± 0,151 ± 0,106 ±
0,142 0,326 0,403 0,196 0,202 0,433 0,511 0,273 0,328 0,348 0,632
TVE 0,012 ± -0,043 ± -0,13 ± 0,42 -0,034 ± 0,053 ± 0,038 ± -0,218 ± 0,018 ± 0,005 ± -0,027 ± 0,075 ±
0,057 0,328 0,186 0,156 0,619 0,72 0,163 0,092 0,118 0,38
MI 0,76 ± 1,618 ± 1,682 ± 1,196 ± 1,324 ± 1,795 ± 1,736 ± 1,065 ± 0,912 ± 1,023 ± 1,715 ±
1,016 0,895 0,19 0,98 0,651 0,081 0,232 0,872 1,111 0,865 0,119
LC 0,235 ± 0,22 ± 0,259 ± 0,187 ± 0,428 ± 0,238 ± 0,289 ± 0,276 ± 0,111 ± 0,237 ± 0,293 ±
0,335 0,148 0,032 0,176 0,241 0,015 0,174 0,249 0,147 0,28 0,028
213
Tabela 121: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição) para Lung
Lung ABC 6 (J) BICACO BIC-aiNet 6 CDE 6 (J) dFSS 6 (J) CGA 6 FSGA 6 GSO 6 (J) MHS 6 (J) NichePSO 6 SwarmBclu
10 (J) (LC) (LC) (LC) (J) ster 6 (J)
Tempo 71,84 ± 105,271 ± 11,848 ± 71,871 ± 71,59 ± 73,221 ± 74,55 ± 72,715 ± 71,166 ± 72,574 ± 50,031 ±
0,191 0,42 0,792 0,215 0,29 0,391 0,526 0,336 0,275 0,352 1,012
MSR 16.039,63 ± 26.891,899 20.763,481 17.655,572 21.703,185 34.707,911 33.924,472 21.651,044 11.493,673 16.356,719 18.438,165
(melhor) 13.262,75 ± ± 5.813,589 ± ± 8.760,922 ± 1.353,768 ± 1.381,609 ± 9.650,032 ± 12.212,34 ± ± 5.529,275
11.733,926 12.008,089 13.511,102
MSR 178.914,812 199.857,415 30.774,251 335.797,22 85.987,553 36.644,834 46.170,906 52.652,143 372.086,098 126.574,161 89.017,817
(média) ± ± ± 5.865,943 ± ± ± 912,075 ± ± 14.523,69 ± 75.740,13 ± 58.620,46 ±
73.054,589 73.789,726 96.403,002 36.166,638 14.503,128 20.391,647
Volume 3.947,5 ± 74.906,8 ± 9.707,9 ± 3.581,7 ± 8.479,25 ± 88.272,55 ± 110.674,35 6.459 ± 933,3 ± 3.585,7 ± 189.256,9 ±
(melhor) 7.961,163 90.417,254 3.354,335 3.470,081 6.634,575 4.537,595 ± 6.950,122 7.928,955 1.915,877 4.401,525 27.994,878
Volume 12.266,795 15.023,456 1.981,063 ± 13.424,501 15.165,389 76.774,335 24.205,079 13.524,163 11.526,031 15.504,049 9.493,781 ±
(média) ± 1.909,687 ± 1.773,382 315,11 ± 2.223,806 ± 2.823,361 ± 1.659,455 ± 2.396,634 ± 1.981,242 ± 1.997,821 ± 3.630,897 948,933
Cobertura 1±0 0,996 ± 0,265 ± 1±0 1±0 0,934 ± 0,965 ± 1±0 1±0 1±0 0,963 ±
elementos 0,001 0,036 0,006 0,004 0,011
Cobertura 1±0 0,996 ± 0,728 ± 1±0 1±0 0,988 ± 0,991 ± 1±0 1±0 1±0 0,972 ±
linhas e 0,001 0,024 0,002 0,002 0,01
colunas
Sobreposi- 0,042 ± 0,012 ± 0,007 ± 0,047 ± 0,047 ± 0,244 ± 0,062 ± 0,043 ± 0,046 ± 0,046 ± 0,026 ±
ção 0,005 0,005 0,001 0,006 0,005 0,006 0,011 0,005 0,007 0,007 0,005
Jaccard 0,071 ± 0,334 ± 0,039 ± 0,093 ± 0,066 ± 0,272 ± 0,066 ± 0,08 ± 0,084 ± 0,09 ± 0,189 ±
0,013 0,069 0,002 0,013 0,009 0,005 0,017 0,017 0,015 0,013 0,014
Qtd. - 12,65 ± 12,2 ± 37,55 ± 10 ± 3,699 21,5 ± 4,15 ± 23,9 ± 16,95 ± 10,85 ± 11,95 ± 2,8 30,85 ±
biclusters 3,703 2,353 3,517 2,236 1,785 3,726 3,034 3,345 1,663
Sucesso 100 100 100 100 100 100 100 100 100 100 100
VE -0,352 ± -0,061 ± 0,055 ± 0,074 ± 0,043 ± -0,015 ± -0,067 ± 0,027 ± -0,046 ± -0,038 ± 0,041 ±
1,316 0,394 0,336 0,221 0,173 0,478 0,432 0,234 0,319 0,293 0,915
TVE -0,006 ± 0,074 ± 0,052 ± -0,111 ± -0,233 ± 0,026 ± -0,272 ± -0,107 ± 0,051 ± -0,144 ± 0,298 ±
0,697 1,251 1,112 0,794 1,198 1,364 1,503 1,096 0,84 0,526 1,947
MI 2,097 ± 2,292 ± 2,443 ± 2,161 ± 2,494 ± 2,538 ± 2,502 ± 2,357 ± 1,461 ± 2,251 ± 2,367 ±
0,783 0,565 0,088 0,65 0,167 0,037 0,036 0,222 1,06 0,637 0,037
LC 0,177 ± 0,15 ± 0,184 ± 0,179 ± 0,171 ± 0,173 ± 0,168 ± 0,177 ± 0,149 ± 0,182 ± 0,171 ±
0,094 0,042 0,018 0,112 0,027 0,007 0,006 0,046 0,125 0,076 0,005
214
Tabela 122: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição) para Multitissue
Multitissue ABC 6 (J) BICACO 6 BIC-aiNet 6 CDE 6 (LC) dFSS 6 (J) CGA 6 FSGA 6 GSO 6 (J) MHS 6 NichePSO 6 SwarmBclu
(LC) (LC) (LC) (LC) (LC) (J) ster 6 (J)
Tempo 62,568 ± 89,557 ± 9,204 ± 62,304 ± 62,037 ± 63,734 ± 64,958 ± 62,165 ± 61,161 ± 62,03 ± 40,037 ±
0,176 0,428 0,57 0,226 0,289 0,37 0,431 0,234 0,177 0,145 1,135
MSR 80.944,348 22.142,716 130.028,291 94.928,055 99.376,363 160.166,22 159.688,723 90.532,577 66.849,673 85.991,017 84.075,569
(melhor) ± ± ± ± ± ± 7.700,671 ± 7.301,153 ± 52.298,63 ± ± ±
58.363,795 45.596,603 35.286,237 57.743,869 51.360,706 62.045,741 47.216,693 29.907,327
MSR 730.282,679 1.915.868,0 219.095,547 789.188,548 507.286,362 169.892,039 211.853,564 283.749,529 763.281,319 548.579,325 1.052.705,5
(média) ± 31 ± ± ± ± ± 2.628,111 ± ± ± ± 14 ±
200.749,24 963.563,228 29.456,227 216.351,515 170.677,519 102.451,577 136.552,491 292.928,503 186.335,701 277.417,463
Volume 938,55 ± 3.363,85 ± 5.654,85 ± 4.435,95 ± 2.364,3 ± 70.208,05 ± 86.059,6 ± 2.111,75 ± 2.216,85 ± 2.019,85 ± 140.943,35
(melhor) 951,024 11.779,101 2.194,188 9.321,417 4.418,079 3.439,894 4.987,008 1.940,036 5.040,716 1.729,381 ±
28.762,762
Volume 10.299,63 ± 13.942,809 1.783,8 ± 13.603,754 11.948,751 61.901,085 20.026,038 12.260,106 14.106,58 ± 12.754,915 12.535,044
(média) 2.299,778 ± 2.871,596 189,897 ± 1.660,688 ± 2.365,956 ± 1.616,891 ± 1.492,476 ± 2.275,784 1.941,591 ± 2.672,115 ± 999,704
Cobertura 1±0 0,998 ± 0,286 ± 0,995 ± 1±0 0,896 ± 0,931 ± 1±0 0,994 ± 1±0 0,97 ± 0,01
elementos 0,001 0,026 0,002 0,008 0,008 0,002
Cobertura 1±0 0,999 ± 0,775 ± 0,998 ± 1±0 0,965 ± 0,97 ± 1±0 0,997 ± 1±0 0,997 ±
linhas e 0,001 0,018 0,003 0,007 0,006 0,003 0,008
colunas
Sobreposi- 0,041 ± 0,026 ± 0,007 ± 0,049 ± 0,047 ± 0,256 ± 0,066 ± 0,045 ± 0,049 ± 0,047 ± 0,027 ±
ção 0,005 0,006 0,001 0,004 0,005 0,01 0,011 0,004 0,005 0,008 0,005
Jaccard 0,052 ± 0,078 ± 0,04 ± 0,059 ± 0,063 ± 0,283 ± 0,071 ± 0,086 ± 0,051 ± 0,075 ± 0,188 ±
0,009 0,018 0,002 0,005 0,01 0,007 0,018 0,017 0,009 0,013 0,012
Qtd. - 13,8 ± 17,6 ± 24,9 ± 9,1 ± 2,732 15,6 ± 4,7 ± 1,72 24 ± 4,735 13,4 ± 12,1 ± 12,1 ± 26,7 ±
biclusters 3,189 2,393 4,128 4,235 2,501 3,401 4,141 3,881
Sucesso 100 100 100 100 100 100 100 100 100 100 100
VE -0,062 ± 0,062 ± -0,035 ± -0,03 ± -0,067 ± -0,135 ± -0,102 ± 0,006 ± 0,038 ± 0,066 ± -0,035 ±
0,29 0,246 0,356 0,298 0,288 0,638 0,467 0,374 0,313 0,559 1,011
TVE -0,019 ± -0,017 ± -0,053 ± 0,01 ± 0,029 ± 0,186 ± 0,08 ± -0,074 ± 0,072 ± -0,027 ± -0,005 ±
0,15 0,068 0,181 0,217 0,186 0,295 0,418 0,203 0,155 0,19 0,541
MI 0,583 ± 0,198 ± 0,714 ± 0,636 ± 0,676 ± 0,752 ± 0,762 ± 0,699 ± 0,473 ± 0,773 ± 0,608 ±
0,275 0,324 0,08 0,291 0,145 0,032 0,031 0,16 0,361 0,281 0,075
LC 0,19 ± 0,058 ± 0,181 ± 0,169 ± 0,201 ± 0,136 ± 0,131 ± 0,204 ± 0,186 ± 0,167 ± 0,115 ±
0,106 0,107 0,026 0,172 0,069 0,016 0,013 0,072 0,181 0,078 0,004
215
Tabela 123: Resultado do Bagged Biclustering com um algoritmo (sem sobreposição) para Yeast
Yeast ABC 6 (LC) BICACO 9 BIC-aiNet 6 CDE 6 (LC) dFSS 6 CGA 6 FSGA 6 GSO 6 (J) MHS 6 NichePSO 6 SwarmBclu
(LC) (LC) (LC) (LC) (LC) (LC) (J) ster 6 (J)
Tempo 91,004 ± 70,705 ± 1,767 ± 91,031 ± 89,496 ± 95,434 ± 93,681 ± 91,128 ± 90,9 ± 0,21 92,801 ± 7,542 ±
0,169 0,841 0,165 0,194 3,878 1,034 0,533 0,286 0,318 0,258
MSR 53,055 ± 268,034 ± 292,387 ± 129,727 ± 88,81 ± 242,28 ± 247,89 ± 96,247 ± 76,027 ± 140,326 ± 248,675 ±
(melhor) 110,395 34,706 9,094 134,331 105,382 41,611 32,788 103,849 120,85 104,747 36,939
MSR 621,502 ± 413,819 ± 363,266 ± 563,984 ± 757,736 ± 267,84 ± 252,713 ± 666,501 ± 508,795 ± 765,095 ± 306,62 ±
(média) 53,252 23,728 23,088 40,035 96,93 39,114 96,716 108,506 60,818 86,791 20,021
Volume 151,7 ± 4.022,25 ± 678,45 ± 189,85 ± 19,75 ± 2.500,9 ± 2.733,1 ± 15,2 ± 553,7 ± 10,9 ± 2.043,15 ±
(melhor) 158,632 1.937,73 283,911 179,467 11,346 37,817 51,379 9,024 388,403 6,512 703,701
Volume 1.735,654 ± 1.106,644 ± 339,946 ± 2.150,008 ± 1.944,722 ± 2.074,973 ± 677,182 ± 2.453,918 ± 2.430,536 ± 2.061,405 ± 1.476,782 ±
(média) 242,217 77,379 48,439 273,297 355,001 220,606 98,524 687,304 435,198 258,497 104,093
Cobertura 0,998 ± 0,594 ± 0,28 ± 0,848 ± 0,999 ± 0 0,343 ± 0,388 ± 1±0 0,898 ± 1±0 0,652 ±
elementos 0,002 0,028 0,032 0,032 0,028 0,041 0,05 0,025
Cobertura 1±0 0,833 ± 0,455 ± 0,891 ± 1±0 0,539 ± 0,569 ± 1±0 0,947 ± 1±0 0,728 ±
linhas e 0,017 0,027 0,055 0,049 0,081 0,066 0,017
colunas
Sobreposi- 0,033 ± 0,032 ± 0,007 ± 0,048 ± 0,041 ± 0,049 ± 0,011 ± 0,039 ± 0,047 ± 0,04 ± 0,037 ±
ção 0,003 0,003 0,001 0,005 0,005 0,015 0,006 0,008 0,006 0,004 0,002
Jaccard 0,031 ± 0,055 ± 0,04 ± 0,036 ± 0,039 ± 0,171 ± 0,064 ± 0,061 ± 0,033 ± 0,045 ± 0,048 ±
0,002 0,003 0,007 0,004 0,003 0,024 0,022 0,01 0,004 0,005 0,002
Qtd. - 12,95 ± 9,9 ± 2,732 24,5 ± 9,9 ± 3,059 10,65 ± 7,9 ± 1,334 25,75 ± 7,6 ± 2,415 13,65 ± 9,2 ± 3,156 23,95 ±
biclusters 2,982 5,042 3,281 5,29 4,095 3,12
Sucesso 100 100 100 100 100 100 100 100 100 100 100
VE -0,006 ± 0,225 ± -0,029 ± -0,043 ± -0,025 ± 0,017 ± -0,03 ± -0,073 ± 0,018 ± -0,02 ± -0,4 ± 1,207
0,025 1,655 0,544 0,231 0,129 0,086 0,091 0,248 0,106 0,303
TVE 0,126 ± 0,363 ± 0,079 ± -4,789 ± -0,558 ± 143,963 ± 4,055 ± 0,046 ± -0,077 ± 0,777 ± 0,831 ±
0,555 3,958 5,543 19,131 3,609 1.457,82 11,899 0,756 0,721 5,859 6,202
MI 0,087 ± 0,845 ± 0,992 ± 0,232 ± 0,315 ± 0,388 ± 0,41 ± 0,04 0,406 ± 0,137 ± 0,568 ± 1,299 ±
0,18 0,105 0,124 0,247 0,431 0,045 0,523 0,215 0,451 0,43
LC 0,106 ± 0,458 ± 0,313 ± 0,288 ± 0,242 ± 0,561 ± 0,592 ± 0,285 ± 0,172 ± 0,47 ± 0,398 ±
0,229 0,076 0,039 0,309 0,306 0,065 0,057 0,33 0,277 0,361 0,076
Tabela 124: Resultado da Fusão Direta com 11 algoritmos para Artificial_2
Artificial_2 1 (J) 1 (LC) 6 (J) 6 (LC)
Tempo 18,15 ± 0,93 21,389 ± 18,066 ± 0,93 21,306 ± 1,326
1,187
MSR (melhor) 1,582 ± 2,713 0±0 1,577 ± 2,55 0±0
MSR (média) 20,166 ± 1,231 0±0 20,106 ± 1,229 0±0
Volume (melhor) 23,95 ± 10,46 100 ± 0 24,35 ± 11,717 100 ± 0
Volume (média) 167,814 ± 100 ± 0 165,792 ± 100 ± 0
21,59 21,296
Cobertura elementos 0,336 ± 0,037 0,189 ± 0,005 0,333 ± 0,036 0,189 ± 0,005
Cobertura linhas e colunas 0,989 ± 0,011 0,189 ± 0,005 0,989 ± 0,011 0,189 ± 0,005
Sobreposição 0,008 ± 0,001 0,009 ± 0,001 0,007 ± 0,001 0±0
Jaccard 0,044 ± 0,003 0,981 ± 0 0,043 ± 0,003 0,98 ± 0
Qtd. -biclusters 2,55 ± 1,731 49 ± 0 2,55 ± 1,731 37,85 ± 0,933
Sucesso 90 100 90 100
VE -0,029 ± 0,123 0±0 -0,026 ± 0,124 0±0
TVE 0,02 ± 0,267 0±0 0,021 ± 0,267 0±0
MI 0,789 ± 0,356 0±0 0,807 ± 0,283 0±0
LC 0,759 ± 0,333 0±0 0,826 ± 0,279 0±0
RMS (biclusters) 0,033 ± 0,02 0,003 ± 0 0,032 ± 0,02 0,004 ± 0
RMS (população) 0,096 ± 0,007 0,003 ± 0 0,095 ± 0,007 0,004 ± 0
CMS (biclusters) 0,035 ± 0,018 0,48 ± 0 0,035 ± 0,018 0,48 ± 0
CMS (população) 0,1 ± 0,006 0,48 ± 0 0,099 ± 0,006 0,48 ± 0
MS (biclusters) 0,029 ± 0,014 0,339 ± 0 0,029 ± 0,014 0,339 ± 0
MS (população) 0,095 ± 0,006 0,339 ± 0 0,094 ± 0,006 0,339 ± 0
216
217
Tabela 144: Valores críticos baseados na Studentized range statistic divididos por √
Nr. Algoritmos 11 13
, 3,696047 3,781607
, 3,21875 3,312795
, 2,977627 3,076622
227
228
Tabela 146: Teste de Nemenyi com bases artificiais (Fusão Direta com sobreposição)
Métrica Diferenças significativas
0,01 0,05 0,1
CDE e Todos(LC), CGA e
RMS Todos(LC)
BIC-aiNet e SwarmBcluster, SwarmBcluster e Todos(J),
CMS Todos(J) e Todos(LC)
BIC-aiNet e SwarmBcluster, SwarmBcluster e Todos(J),
MS Todos(J) e Todos(LC)
Tabela 147: Teste de Nemenyi com bases artificiais (Fusão Direta sem sobreposição)
Métrica Diferenças significativas
0,01 0,05 0,1
BicACO e Todos(LC), CGA e SwarmBcluster,
RMS CGA e Todos(LC) GSO e Todos(LC)
CGA e Todos(J), SwarmBcluster e Todos(J), BIC-aiNet e SwarmBcluster, BIC-
CMS Todos(J) e Todos(LC) aiNet e Todos(LC)
CGA e Todos(J), SwarmBcluster e Todos(J), BIC-aiNet e SwarmBcluster, BIC-
MS Todos(J) e Todos(LC) aiNet e Todos(LC)
Tabela 148: Teste de Nemenyi com bases artificiais (Bagged Biclustering com sobreposição)
Métrica Diferenças significativas
0,01 0,05 0,1
RMS CGA e SwarmBcluster, CGA e Todos(LC) CGA e Todos(J)
BIC-aiNet e SwarmBcluster, SwarmBcluster e
CMS Todos(J), Todos(J) e Todos(LC) GSO e SwarmBcluster
BIC-aiNet e SwarmBcluster, SwarmBcluster e BIC-aiNet e Todos(LC), CGA e
MS Todos(J), Todos(J) e Todos(LC) Todos(J), GSO e SwarmBcluster
Tabela 149: Teste de Nemenyi com bases artificiais (Bagged Biclustering sem sobreposição)
Métrica Diferenças significativas
0,01 0,05 0,1
BicACO e Todos(LC), CGA e SwarmBcluster,
RMS CGA e Todos(LC) CGA e Todos(J), FSGA e Todos(LC)
BIC-aiNet e SwarmBcluster, SwarmBcluster e BIC-aiNet e Todos(LC), CGA e
CMS Todos(J), Todos(J) e Todos(LC) Todos(J)
SwarmBcluster e Todos(J), Todos(J) e BIC-aiNet e SwarmBcluster, BIC-
MS Todos(LC) aiNet e Todos(LC), CGA e Todos(J)
229
235
236