সিংগল-অ্যাট্রিবিউট ইভ্যালুয়েটরে, এটি র্যাঙ্কার সার্চ মেথডের সাথে ব্যবহার করা যেতে পারে একটি র্যাঙ্কড লিস্ট বানাতে য থেকে র্যাঙ্কার একটি দিয়ে गये সংখ্যা ডিসকার্ড করে। এটি র্যাঙ্কসার্চ মেথডেও ব্যবহৃত হয়।
বিভিন্ন সিংগল-অ্যাট্রিবিউট ইভ্যালুয়েটর
রিলीফ অ্যাট্রিবিউট ইভ্যাল (Relief Attribute Eval) হল ইনস্ট্যান্স-বেসড - এটি র্যান্ডমলি ইনস্ট্যান্স স্যাম্পল করে এবং একই এবং বিভিন্ন ক্লাসের নেইবরিং ইনস্ট্যান্স চেক করে। এটি ডিসক্রিট এবং কন্টিনিউয়াস ক্লাস ডেটায় কাজ করে। প্যারামিটার ডিফাইন করে স্যাম্পল করার ইনস্ট্যান্সের সংখ্যা, চেক করার নেইবরের সংখ্যা, নেইবরকে দূরত্ব দিয়ে ওয়েইট দিতে হবে কিনা, এবং একটি এক্সপোনেনশিয়াল ফাংশন যা কন্ট্রোল করে কীভাবে ক্রমাগত ওয়েইট দূরত্বের সাথে ডিকে করে।
ইনফোগেইন অ্যাট্রিবিউট ইভ্যাল (InfoGain Attribute Eval) - এটি অ্যাট্রিবিউট ইভ্যালুয়েট করে ক্লাসের সাথে তাদের ইনফরমেশন গেইন ক্যালকুলেট করে। এটি প্রথমে নিউমেরিক অ্যাট্রিবিউট ডিসক্রেটাইজ করে MDL-বেসড ডিসক্রেটাইজেশন পদ্ধতি ব্যবহার করে। এই পদ্ধতি, পরবর্তী তিনটির সাথে, মিসিংকে একটি স্বতন্ত্র ভ্যালু হিসেবে বিবেচনা করতে পারে বা অন্য ভ্যালুদের ফ্রিকোয়েন্সির অনুপাতে কাউন্ট ডিস্ট্রিবিউট করতে পারে।
কাই-স্কোয়ার্ড অ্যাট্রিবিউট ইভ্যাল (Chi-Squared Attribute Eval) - এটি অ্যাট্রিবিউট ইভ্যালুয়েট করে ক্লাসের সাথে কাই-স্কোয়ার্ড স্ট্যাটিস্টিক ক্যালকুলেট করে।
গেইন-রেশিও অ্যাট্রিবিউট ইভ্যাল (Gain-Ratio Attribute Eval) - এটি অ্যাট্রিবিউট ইভ্যালুয়েট করে ক্লাসের সাথে তাদের গেইন রেশিও কম্পিউট করে।
সিমেট্রিক্যাল আনসার্ট-অ্যাট্রিবিউট ইভ্যাল (Symmetrical Uncert-Attribute Eval) - এটি একটি অ্যাট্রিবিউট ইভ্যালুয়েট করে ক্লাসের সাথে এর সিমেট্রিক্যাল অনসার্টেইনটি ক্যালকুলেট করে।
ওন-র অ্যাট্রিবিউট ইভ্যাল (OneRAttribute Eval) - এটি OneR ক্লাসিফায়ার দ্বারা অডপ্টেড ক্লিন এক্যুরেসি মেজার ব্যবহার করে। এটি ট্রেনিং ডেটা ব্যবহার করতে পারে কম্পিউটেশনের জন্য, যেমন OneR করে, অথবা ইন্টারনাল ক্রস-ভ্যালিডেশন ব্যবহার করতে পারে - ফোল্ডের সংখ্যা একটি প্যারামিটার। এটি OneR-এর সিম্পল ডিসক্রেটাইজেশন পদ্ধতি সিলেক্ট করতে পারে - মিনিমাম বাকেট সাইজ একটি প্যারামিটার।
SVM-অ্যাট্রিবিউট ইভ্যাল (SVM-Attribute Eval) - এটি একটি লিনিয়ার সাপোর্ট ভেক্টর মেশিনের সাথে রিকারসিভ ফিচার এলিমিনেশন ব্যবহার করে অ্যাট্রিবিউট ইভ্যালুয়েট করে। অ্যাট্রিবিউটগুলো একে একে তাদের কোইফিসিয়েন্টের আকারের ওপর ভিত্তি করে সিলেক্ট করা হয়, প্রতিটির পরে রিলার্নিং করা হয়।
বস্তুতঃ, একটি অনুপাত ব্যবহার করা যেতে পারে যতক্ষণ না একটি নির্দিষ্ট সংখ্যক অ্যাট্রিবিউট বাকি থাকে, তারপর ফিক্সড-নাম্বার মেথডে সুইচ করা যেতে পারে দ্রুত অনেক অ্যাট্রিবিউট এলিমিনেট করতে এবং তারপর প্রতিটি বাকি অ্যাট্রিবিউটকে আরও ইনটেন্সিভলি বিবেচনা করতে।
বিভিন্ন প্যারামিটার সাপোর্ট ভেক্টর মেশিনে পাস করা হয় - কমপ্লেক্সিটি, ইপসিলন, টলরেন্স, এবং ব্যবহৃত ফিল্টারিং মেথড।
প্রিন্সিপাল কম্পোনেন্টস এবং ল্যাটেন্ট সেম্যান্টিক অ্যানালাইসিস অ্যাট্রিবিউট সেট ট্রান্সফরম করে। প্রিন্সিপাল কম্পোনেন্টস-এ, নতুন অ্যাট্রিবিউটগুলো তাদের আইগেনভ্যালুর ক্রমে র্যাঙ্ক করা হয়। অপশনালি, একটি সাবসেট সিলেক্ট করা হয় যথেষ্ট আইগেনভেক্টর বেছে নেওয়ায় যাতে একটি দিয়ে गये ভ্যারিয়েন্সের অনুপাত একাউন্ট করা যায় (৯৫% বাই ডিফল্ট)। চূড়ান্তে, রিডিউসড ডেটা আসল স্পেসে ফিরে ট্রান্সফরম করা যেতে পারে।
ল্যাটেন্ট সেম্যান্টিক অ্যানালাইসিস ট্রেনিং ডেটাতে সিংগুলার ভ্যালু ডিকম্পোজিশন প্রয়োগ করে। সিংগুলার ভ্যালু ডিকম্পোজিশন প্রিন্সিপাল কম্পোনেন্টস অ্যানালাইসিসের সাথে রিলেটেড - দুটোই ওরিজিনাল অ্যাট্রিবিউট ভ্যালুর লিনিয়ার কম্বিনেশন হল ডিরেকশন প্রডিউস করে কিন্তু ভিন্ন কারণ এটি একটি ম্যাট্রিক্স থেকে কম্পিউট করা হয় যেটি আসল ডেটা ভ্যালু ধারণ করে বরং অ্যাট্রিবিউট কোরিলেশন বা কোভেরিয়েন্স ম্যাট্রিক্স থেকে না।
