ในตัวประเมินแอตทริบิวต์เดี่ยว (Single-Attribute Evaluators) สามารถใช้กับวิธีค้นหา Ranker (Ranker Search Methods) เพื่อสร้างรายการที่จัดอันดับ (Ranked List) ซึ่ง Ranker ทิ้งจำนวนที่กำหนด ใช้ในวิธี RankSearch ด้วย
Relief Attribute Eval แบบอิงอินสแตนซ์ (Instance-based)
สุ่มตัวอย่างอินสแตนซ์และตรวจสอบอินสแตนซ์เพื่อนบ้านของคลาสเดียวกันและคลาสต่างกัน ทำงานกับข้อมูลคลาสแบบไม่ต่อเนื่อง (Discrete) และต่อเนื่อง (Continuous) พารามิเตอร์กำหนดจำนวนอินสแตนซ์ที่สุ่ม, จำนวนเพื่อนบ้านที่ตรวจสอบ, ว่าจะถ่วงน้ำหนักเพื่อนบ้านด้วยระยะทางหรือไม่ และฟังก์ชันเอ็กซ์โพเนนเชียลที่ควบคุมว่าน้ำหนักลดลงอย่างไรตามระยะทาง
InfoGain Attribute Eval
ประเมินแอตทริบิวต์โดยคำนวณการเพิ่มข้อมูล (Information Gain) เกี่ยวกับคลาส แปลงแอตทริบิวต์ตัวเลขเป็นแบบไม่ต่อเนื่องก่อนโดยใช้วิธีการแยกช่วงแบบ MDL วิธีนี้ รวมถึงสามวิธีถัดไป สามารถพิจารณาค่าขาดหาย (Missing) เป็นค่าเอกตัวหรือกระจายจำนวนนับระหว่างค่าอื่นๆ สัดส่วนกับความถี่
Chi-Squared Attribute Eval
ประเมินแอตทริบิวต์โดยคำนวณสถิติคายสแควร์드 (Chi-Squared Statistic) เกี่ยวกับคลาส
Gain-Ratio Attribute Eval
ประเมินแอตทริบิวต์โดยคำนวณอัตราส่วนการเพิ่ม (Gain Ratio) เกี่ยวกับคลาส
Symmetrical Uncert-Attribute Eval
ประเมินแอตทริบิวต์โดยคำนวณความไม่แน่นอนแบบสมมาตร (Symmetrical Uncertainty) เกี่ยวกับคลาส
OneR Attribute Eval
ใช้ขนาดความแม่นยำที่เรียบง่ายที่ OneR Classifier ใช้ สามารถใช้ข้อมูลฝึกอบรมสำหรับการคำนวณได้เหมือน OneR หรือใช้ Cross-Validation ภายใน — จำนวนโฟลด์เป็นพารามิเตอร์ สามารถเลือกวิธีการแยกช่วงง่ายของ OneR — ขนาดถังขั้นต่ำเป็นพารามิเตอร์
SVM Attribute Eval
ประเมินแอตทริบิวต์โดยใช้การกำจัดคุณลักษณะแบบเรียกซ้ำ (Recursive Feature Elimination) ด้วย Support Vector Machine แบบเชิงเส้น (Linear SVM) แอตทริบิวต์ถูกเลือกทีละตัวขึ้นอยู่กับขนาดของสัมประสิทธิ์ของพวกเขา เรียนรู้ใหม่หลังจากทุกตัว
แน่นอน สัดส่วนสามารถใช้จนกว่าจะเหลือจำนวนแอตทริบิวต์ที่กำหนด จากนั้นเปลี่ยนไปใช้วิธีจำนวนคงที่ กำจัดแอตทริบิวต์จำนวนมากอย่างรวดเร็ว และพิจารณาแต่ละตัวที่เหลืออย่างเข้มข้นมากขึ้น
พารามิเตอร์ต่างๆ ถูกส่งต่อไปยัง Support Vector Machine — ความซับซ้อน (Complexity), อีพซิลอน (Epsilon), ความทนทาน (Tolerance) และวิธีการกรอง (Filtering Method) ที่ใช้
Principal Components และ Latent Semantic Analysis
Principal Components และ Latent Semantic Analysis แปลงเซตของแอตทริบิวต์ ในกรณีของ Principal Components แอตทริบิวต์ใหม่ถูกจัดอันดับตามลำดับของค่าเอกเวกเตอร์ (Eigenvalues) ทางเลือก เลือกเซตย่อยโดยเลือกเอกเวกเตอร์ที่เพียงพอเพื่ออธิบายสัดส่วนของความแปรปรวนที่กำหนด (95% โดยค่าเริ่มต้น) สุดท้าย ข้อมูลที่ลดแล้วสามารถแปลงกลับไปยังพื้นที่เดิมได้
Latent Semantic Analysis ใช้การแยกค่าอ ular (Singular Value Decomposition) กับข้อมูลฝึกอบรม การแยกค่าอ ular เกี่ยวข้องกับการวิเคราะห์องค์ประกอบหลัก — ทั้งสองสร้างทิศทางที่เป็นการผสมผสานเชิงเส้นของค่าแอตทริบิวต์เดิม แตแตต่างกันที่มันคำนวณจากเมทริกซ์ที่มีค่าข้อมูลเดิม แทนที่จะเป็นเมทริกซ์ความสัมพันธ์หรือเมทริกซ์แควริแอนซ์ (Covariance Matrix) ของแอตทริบิวต์
สรุป Single-Attribute Evaluators ใน Data Mining: Relief (Instance-based), InfoGain, Chi-Squared, Gain-Ratio, Symmetrical Uncertainty, OneR, SVM-RFE, PCA, LSA พร้อมรายละเอียดพารามิเตอร์และหลักการทำงาน
