Table 2 Per-column error metrics for each algorithm in each missing data scenario

Feature

MAE

RMSE

MAE

RMSE

MAE

RMSE

MAE

RMSE

MAE

RMSE

MAE

RMSE

CADD

0.11

0.14

0.10

0.12

0.15

0.19

0.15

0.19

0.16

0.20

0.21

0.25

DANN

0.06

0.12

0.06

0.11

0.13

0.17

0.08

0.17

0.14

0.19

0.12

0.18

FATH

0.06

0.11

0.05

0.08

0.13

0.16

0.07

0.13

0.13

0.17

0.32

0.37

fitCons

0.08

0.11

0.06

0.09

0.13

0.16

0.11

0.16

0.13

0.17

0.11

0.15

MuT

0.11

0.18

0.11

0.17

0.19

0.25

0.13

0.25

0.20

0.26

0.26

0.28

GERP

0.06

0.09

0.06

0.09

0.11

0.14

0.09

0.14

0.11

0.14

0.13

0.18

PP7

0.04

0.07

0.04

0.07

0.07

0.09

0.06

0.10

0.07

0.10

0.09

0.11

PP20

0.04

0.06

0.03

0.05

0.06

0.08

0.05

0.08

0.06

0.08

0.07

0.09

PC7

0.16

0.24

0.15

0.23

0.25

0.32

0.19

0.33

0.26

0.33

0.32

0.37

PC20

0.17

0.25

0.17

0.24

0.26

0.34

0.21

0.35

0.28

0.35

0.35

0.40

SiPhy

0.08

0.11

0.07

0.10

0.13

0.17

0.13

0.17

0.14

0.17

0.15

0.18

GWAVA

0.10

0.12

0.08

0.11

0.14

0.17

0.14

0.18

0.15

0.19

0.11

0.13

Kaviar

0.02

0.08

0.02

0.07

0.08

0.12

0.03

0.11

0.09

0.12

0.03

0.10

d_rf

0.09

0.12

0.08

0.10

0.12

0.16

0.13

0.16

0.13

0.16

0.17

0.20

d_svm

0.05

0.06

0.03

0.04

0.08

0.10

0.06

0.09

0.08

0.11

0.21

0.23

CADD

0.11

0.14

0.10

0.12

0.16

0.20

0.15

0.20

0.16

0.21

0.21

0.25

DANN

0.06

0.12

0.06

0.12

0.14

0.18

0.08

0.17

0.15

0.19

0.12

0.18

d_rf

0.09

0.12

0.09

0.12

0.13

0.16

0.13

0.16

0.13

0.16

0.17

0.20

d_svm

0.08

0.11

0.08

0.11

0.12

0.16

0.11

0.15

0.12

0.16

0.21

0.23

CADD

0.11

0.14

0.09

0.12

0.15

0.19

0.16

0.20

0.16

0.20

0.21

0.25

DANN

0.06

0.12

0.06

0.11

0.13

0.17

0.08

0.17

0.14

0.19

0.12

0.18

d_rf

0.09

0.12

0.08

0.10

0.12

0.16

0.13

0.16

0.13

0.16

0.17

0.20

d_svm

0.05

0.06

0.03

0.04

0.08

0.10

0.06

0.09

0.08

0.10

0.21

0.23