Trong các bộ đánh giá thuộc tính đơn lẻ (single-attribute evaluators), có thể sử dụng với phương pháp tìm kiếm Ranker (Ranker search methods) để tạo danh sách xếp hạng từ đó Ranker loại bỏ một số lượng cho trước. Nó cũng được dùng trong phương pháp RankSearch.
Relief Attribute Eval dựa trên thể hiện (instance-based) — Nó lấy mẫu thể hiện ngẫu nhiên và kiểm tra các thể hiện láng giềng của cùng và nhiều lớp. Nó hoạt động trên dữ liệu lớp rời rạc và liên tục. Tham số xác định số thể hiện lấy mẫu, số láng giềng kiểm tra, có trọng số láng giềng theo khoảng cách không, và một hàm mũ điều khiển trọng số giảm dần như thế nào theo khoảng cách.
InfoGain Attribute Eval — Nó đánh giá thuộc tính bằng cách tính information gain (lợi ích thông tin) của chúng liên quan đến lớp. Nó rời rạc hóa các thuộc tính số trước bằng phương pháp rời rạc hóa dựa trên MDL. Phương pháp này, cùng với ba phương pháp tiếp theo, có thể coi missing (giá trị thiếu) là một giá trị độc lập hoặc phân phối các đếm giữa các giá trị khác theo tỷ lệ tần suất của chúng.
Chi-Squared Attribute Eval — Nó đánh giá thuộc tính bằng cách tính thống kê chi-squared liên quan đến lớp.
Gain-Ratio Attribute Eval — Nó đánh giá thuộc tính bằng cách tính gain ratio (tỷ lệ lợi ích) của chúng liên quan đến lớp.
Symmetrical Uncert-Attribute Eval — Nó đánh giá một thuộc tính bằng cách tính uncertainty đối xứng (symmetrical uncertainty) của nó liên quan đến lớp.
OneRAttribute Eval — Nó dùng độ đo độ chính xác sạch (clean accuracy measure) được áp dụng bởi bộ phân loại OneR. Có thể dùng dữ liệu huấn luyện để tính toán, như OneR làm, hoặc có thể dùng cross-validation nội bộ — Số fold là một tham số. Có thể chọn phương pháp rời rạc hóa đơn giản của OneR — Kích thước bucket tối thiểu là một tham số.
SVM-Attribute Eval — Nó đánh giá thuộc tính bằng cách loại bỏ đặc trưng đệ quy (recursive feature elimination) với máy vector hỗ trợ tuyến tính (linear support vector machine). Các thuộc tính được chọn một một tùy thuộc vào kích thước hệ số của chúng, học lại sau mỗi cái.
Thực tế, một tỷ lệ có thể được dùng cho đến khi một số lượng thuộc tính nhất định còn lại, sau đó chuyển sang phương pháp số cố định nhanh chóng loại bỏ nhiều thuộc tính và sau đó xem xét từng cái còn lại kỹ hơn.
Các tham số khác nhau được chuyển cho máy vector hỗ trợ — độ phức tạp, epsilon, dung sai, và phương pháp lọc được dùng.
Thành phần chính (Principal Components) và Phân tích Ngữ nghĩa Tiềm ẩn (Latent Semantic Analysis) biến đổi tập thuộc tính. Trong trường hợp Thành phần chính, các thuộc tính mới được xếp hạng theo thứ tự giá trị riêng (eigenvalues) của chúng. Tùy chọn, một tập con được chọn bằng cách chọn đủ vector riêng (eigenvectors) để chiếm một tỷ lệ phương sai cho trước (95% mặc định). Cuối cùng, dữ liệu giảm chiều có thể được biến đổi trở lại không gian gốc.
Phân tích Ngữ nghĩa Tiềm ẩn áp dụng phân rã giá trị kỳ dị (singular value decomposition) cho dữ liệu huấn luyện. Phân rã giá trị kỳ dị liên quan đến phân tích thành phần chính — cả hai tạo ra các hướng là tổ hợp tuyến tính của các giá trị thuộc tính gốc nhưng khác ở chỗ nó được tính từ ma trận chứa các giá trị dữ liệu gốc thay vì ma trận tương quan hoặc hiệp phương sai thuộc tính.