सिंगल-एट्रिब्यूट इवैल्यूएटर में, इसे रैंकर खोज विधियों के साथ उपयोग किया जा सकता है ताकि एक रैंक की गई सूची बनाई जा सके जिससे रैंकर एक दी गई संख्या को छोड़ दे। इसका उपयोग रैंकसर्च विधि में भी किया जाता है।
रिलीफ एट्रिब्यूट इवैल इंस्टेंस-आधारित है
यह उदाहरणों को यादृच्छिक रूप से नमूना करता है और समान और कई कक्षाओं के पड़ोसी उदाहरणों की जांच करता है। यह असतत और सतत कक्षा डेटा पर काम करता है। पैरामीटर नमूना करने के लिए कई उदाहरणों, जांच करने के लिए विभिन्न पड़ोसियों, दूरी से पड़ोसियों को भारित करने के लिए, और एक घातीय फ़ंक्शन को परिभाषित करते हैं जो दूरी के साथ तेजी से क्षय होने वाले वजन का संचालन करता है।
इन्फोगेन एट्रिब्यूट इवैल
यह कक्षा के संबंध में उनके सूचना लाभ की गणना करके विशेषताओं की गणना करता है। यह पहले MDL-आधारित डिस्क्रिटाइजेशन दृष्टिकोणों का उपयोग करके संख्यात्मक विशेषताओं को डिस्क्रिटाइज़ करता है। यह दृष्टिकोण, निम्नलिखित तीन के साथ, लापता को एक स्वतंत्र मूल्य के रूप में मान सकता है या उनकी आवृत्ति के अनुपात में अन्य मूल्यों के बीच गणना वितरित कर सकता है।
काई-स्क्वेयर्ड एट्रिब्यूट इवैल
यह कक्षा के संबंध में काई-स्क्वेयर्ड आंकड़े की गणना करके विशेषताओं की गणना करता है।
गेन-रेशियो एट्रिब्यूट इवैल
यह कक्षा के संबंध में उनके लाभ अनुपात की गणना करके विशेषताओं की गणना करता है।
सिमेट्रिकल अनसर्ट-एट्रिब्यूट इवैल
यह कक्षा के संबंध में इसकी सममित अनिश्चितता की गणना करके एक विशेषता की गणना करता है।
वनआर एट्रिब्यूट इवैल
इसमें वनआर क्लासिफायर द्वारा अपनाई गई स्वच्छ सटीकता माप की आवश्यकता होती है। यह गणना के लिए प्रशिक्षण डेटा की आवश्यकता हो सकती है, जैसा कि वनआर करता है, या यह आंतरिक क्रॉस-वैलिडेशन का उपयोग कर सकता है - कई फोल्ड एक पैरामीटर है। यह वनआर के सरल डिस्क्रिटाइजेशन दृष्टिकोण का चयन कर सकता है - न्यूनतम बकेट आकार एक पैरामीटर है।
SVM-एट्रिब्यूट इवैल
यह एक रैखिक सपोर्ट वेक्टर मशीन के साथ पुनरावर्ती फीचर निष्कासन का उपयोग करके विशेषताओं की गणना करता है। विशेषताओं को उनके गुणांकों के आकार के आधार पर एक-एक करके चुना जाता है, प्रत्येक के बाद पुनः सीखना।
वास्तव में, एक अनुपात का उपयोग तब तक किया जा सकता है जब तक कि एक निश्चित संख्या में विशेषताएं शेष न रह जाएं, तत्पश्चात निश्चित-संख्या विधि पर स्विच करके कई विशेषताओं को तेजी से समाप्त किया जाता है और फिर प्रत्येक शेष को अधिक गहनता से माना जाता है।
विभिन्न पैरामीटर्स को सपोर्ट वेक्टर मशीन पर पास किया जाता है - जटिलता, एप्सिलॉन, सहनशीलता, और उपयोग की गई फ़िल्टरिंग विधि।
प्रिंसिपल कंपोनेंट्स और लेटेंट सेमांटिक एनालिसिस विशेषताओं के समूह को ट्रांसफॉर्म करते हैं। प्रिंसिपल कंपोनेंट्स के मामले में, नई विशेषताओं को उनके आइगेनवैल्यू के क्रम में रैंक किया जाता है। वैकल्पिक रूप से, एक उपसमुच्चय को दिए गए विचरण के अनुपात (डिफ़ॉल्ट 95%) के लिए पर्याप्त आइगेनवेक्टर्स चुनकर चुना जाता है। अंत में, कम डेटा को मूल स्थान पर वापस ट्रांसफॉर्म किया जा सकता है।
लेटेंट सेमांटिक एनालिसिस प्रशिक्षण डेटा पर एक विलक्षण मूल्य विघटन लागू करता है। विलक्षण मूल्य विघटन प्रिंसिपल कंपोनेंट्स विश्लेषण से संबंधित है - दोनों दिशाएं उत्पन्न करते हैं जो मूल विशेषता मूल्यों के रैखिक संयोजन हैं लेकिन इसमें भिन्न हैं कि यह मूल डेटा मूल्यों वाले मैट्रिक्स से गणना की जाती है बजाय विशेषता सहसंबंध या सहप्रसरण मैट्रिक्स के।
