Просмотреть исходный

Каждый Узел выполняет отдельную операцию. Для удобства все узлы разделены на группы в зависимости от выполняемых функций:

Группа «Набор данных» включает в себя узлы для подготовки и преобразования данных перед построением моделей.
Группы «Обучение с учителем» и «Обучение без учителя» представлены узлами-алгоритмами машинного обучения.
Узлы группы «Работа с моделями» используются на завершающих этапах моделирования для интерпретации, отсечки, сравнения моделей и регистрации в Репозиторий.

Сведения о конкретном узле можно получить в его Справке, которая находится в нижней части боковой панели с настройками узла. Для получения подробной информации об узле необходимо щелкнуть ссылку «Подробнее». В результате откроется новая вкладка в браузере с описанием узла из настоящего руководства пользователя.

Руководство пользователя Polymatica ML 1.7.0 (11.08.2026) > Описание узлов > image-2026-7-21_13-55-25.png

В текущей версии Модуля предусмотрены 42 типа узлов. Ознакомиться с кратким описанием каждого узла можно в таблице ниже.

Таблица «Краткое описание узлов»

Группа узлов	Название узла	Краткое описание
Набор данных	Узел «Набор данных»	Данный узел позволяет выбрать необходимый для моделирования набор данных из списка зарегистрированных.
	Узел «Разделение выборки»	Данный узел разбивает набор данных на обучающую, валидационную и тестовую выборки.
	Узел «Выборка»	Данный узел корректирует неравномерное распределение классов в исходном наборе данных.
	Узел «Фильтр»	Данный узел позволяет по заданным условиям удалить наблюдения из процесса моделирования.
	Узел «Метаданные»	Данный узел позволяет изменить метаданные переменных.
	Узел «One-hot encoding»	Данный узел преобразует категориальные переменные в числовые данные.
	Узел «Заполнение пропусков»	Данный узел обрабатывает пропущенные значения, позволяет удалить дубликаты и выбросы.
	Узел «Трансформация»	Данный узел позволяет рассчитать новые переменные.
	Узел «Биннинг/энкодинг»	Данный узел включает в себя методы бинаризации интервальных переменных и кодирования категориальных переменных.
	Узел «Дисперсионный анализ»	Данный узел позволяет исследовать значимость различия между средними значениями зависимой количественной переменной по группам фактора (независимой переменной).
	Узел «Анализ главных компонент (PCA)»	Данный узел преобразует большой набор переменных в меньший с минимальными потерями информативности.
	Узел «Автоэнокдер (PyTorch)»	Данный узел позволяет создать сжатое представление данных (т. е. сократить размерность) в скрытом слое за счет специальной архитектуры нейронной сети.
	Узел «Стандартизация»	Данный узел приводит признаки в разных единицах измерения и диапазонах значений к общей шкале.
	Узел «Веса классов»	Данный узел позволяет скорректировать дисбаланс классов при помощи задания весов.
	Узел «Профилирование»	Данный узел позволяет исследовать данные с целью выяснения статистических характеристик переменных.
	Узел «Custom data preparation»	Данный узел использует специфичные для выбранной модели и набора данных процедуры обработки данных.
	Узел «Optimal Binning»	Данный узел автоматически определяет оптимальные границы интервалов (бинов) для дискретизации непрерывных переменных.
	Узел «Prefitted data preparation»	Позволяет переиспользовать обученные энкодеры в других участках проекта.
	Узел «Календарные признаки»	Позволяет генерировать дополнительные признаки из данных с типом «дата и время».
	Узел «Text vectorizer»	Данный узел предназначен для векторизации текста
Обучение без учителя	Узел «Кластерный анализ (k-means)»	Данный узел группирует наблюдения в подмножества (кластеры) таким образом, чтобы наблюдения внутри одного кластера были похожи друг на друга, но различались с наблюдениями из других кластеров.
	Узел «Иерархическая кластеризация»	Данный узел создает иерархии вложенных подмножеств (кластеров).
	Узел «Детекция аномалий (PyTorch)»	Данный узел позволяет идентифицировать точки данных, свойства которых отличаются от свойств большинства обрабатываемых образцов в наборе данных.
	Узел «Ассоциативные правила»	Данный узел позволяет находить закономерности между связанными событиями в наборе данных.
	Узел «Custom clustering kmeans»	Данный узел применяет специфичный для конкретной модели алгоритм K-means кластеризации.
Обучение с учителем	Узел «Дерево решений»	Данный узел обобщает наблюдения правилами вида «Если…, то…» в иерархическую, последовательную структуру в виде дерева. Используется для решения задач классификации и регрессии.
	Узел «Случайный лес»	В основе данного узла лежит алгоритм, который представляет собой ансамбль деревьев решений. Используется для решения задач классификации и регрессии.
	Узел «Байесовская регрессия»	Данный узел представляет собой линейную регрессию с применением распределения вероятностей параметров, а не точечных оценок. Используется для решения задач регрессии.
	Узел «Линейная регрессия»	В результате данного узла строится модель зависимости между входными и выходными переменными с линейной функцией связи. Используется для решения задач регрессии.
	Узел «Логистическая регрессия»	В основе данного узла лежит метод построения линейного классификатора, позволяющий оценивать апостериорные вероятности принадлежности объектов классам. Используется для решения задач классификации.
	Узел «Линейные модели»	Данный узел объединяет в себе линейные классификаторы и регрессоры.
	Узел «Нейронные сети»	В основе данного узла лежит упрощенная модель биологической нейронной сети. Используется для решения задач классификации и регрессии.
	Узел «LDA» (Линейный дискриминантный анализ)	Данный узел применяется для нахождения линейных комбинаций признаков, наилучшим образом разделяющих два или более класса объектов или событий.
	Узел «Градиентный бустинг (XGBOOST)»	В основе данного узла лежит алгоритм градиентного бустинга на деревьях поиска решений. Используется для решения задач классификации и регрессии.
	Узел «Градиентный бустинг (LightGBM)»	В основе узла лежит реализация алгоритма градиентного бустинга на деревьях поиска решений, который включает в себя две ключевые идеи: Градиентная односторонняя выборка (GOSS). Объединение взаимоисключающих признаков (EFB). Используется для решения задач классификации и регрессии.
	Узел «Градиентный бустинг (CatBOOST)»	В основе узла лежит реализация алгоритма градиентного бустинга, которая оптимизирована под работу с категориальными признаками и хорошо работает с параметрами по умолчанию. Используется для решения задач классификации и регрессии.
	Узел «Обобщенные линейные модели (GLM)»	Данный узел обобщает линейную регрессию и допускает наличие у зависимой переменной распределения, отличающегося от нормального. GLM связывает зависимую переменную с факторами посредством задаваемой функции связи. Также может использовать для работы библиотеку statsmodels.
	Узел «AutoML»	Данный узел строит алгоритмы машинного обучения автоматически, выбирая из них лучший.
	Узел «Нейронная сеть (PyTorch)»	Данный узел позволяет строить нейросеть типа MLP, в которой входной сигнал преобразуется в выходной, проходя последовательно через скрытые слои.
	Узел «Стохастический градиентный спуск»	Данный узел используется для нахождения минимума функции потерь модели.
	Узел «Пользовательское дерево»	Данный узел представляет дерево решений с пользовательскими настройками.
	Узел «Prophet»	Позволяет решать задачи предсказания временных рядов при помощи библиотеки Prophet.
Работа с моделями	Узел «Сравнение моделей»	Данный узел оценивает построенные модели и выбирает лучшую.
	Узел «Регистрация модели»	Данный узел сохраняет построенную модель в выбранном проекте репозитория Model Manager.
	Узел «Интерпретация»	Данный узел включает в себя методы, которые позволяют объяснить принципы и закономерности, которые использует модель в ходе прогнозирования.
	Узел «Подбор отсечки (Cut off)»	Данный узел позволяет определить оптимальный порог отсечения для высокого соотношения истинных и ложных срабатываний модели.