• на сайте опубликована политика обработки данных, утверждены локальные акты по вопросам обработки и защиты персональных данных;
• назначено лицо, ответственное за организацию обработки персональных данных;
• регулярно проверяются процессы и документы компании на их соответствие закону;
• предоставляется доступ к персональным данным только тем нашим сотрудникам, которым он действительно необходим для выполнения их рабочих обязанностей;
• применяются все необходимые правовые, организационные и технические меры, чтобы обеспечить безопасность персональных данных.

• требованиях законодательства;
• базовом наборе мер защиты, установленном нормативными правовыми актами для соответствующего уровня защищенности;
• риск-ориентированном подходе при выборе оптимальных мер;
• приоритете законных интересов пользователей.

• по достижении целей обработки, указанных в разделе 3 Политики, либо при утрате необходимости в их достижении (если нет других оснований для обработки, предусмотренных законодательством);
• по истечении срока согласия или при отзыве согласия (если нет других оснований для обработки, предусмотренных законодательством).

• при выявлении неправомерной обработки, если обеспечить правомерность невозможно;
• при ликвидации нашей компании.

• Максимизировать ЦП

• Минимизировать ЦП

• Список открепленных факторов - все выбранные переменные,
• учавствовавшие в оптимизации
• Спрогнозированные значения (оптимальные показатели, автоматически рассчитанные платформой (выделены синим для удобства идентификации).

• Нажмите на кнопку Скопировать ссылку , чтобы вставить ссылку вручную
• в строку браузера
• Нажмите кнопку Открыть, калькулятор сразу откроется в новой вкладке вашего браузера.

Важно, чтобы загружаемый набор не содержал столбец целевой переменной или был пустым.

• Традиционное машинное обучение (Автоматическая обработка данных, обучение модели для предсказания целевой переменной, что позволяет делать прогнозы на новых данных)
• Автозаполнение пропущенных значений (Поиск пропущенных значений в таблице, обучение отдельных моделей для их предсказания и возврат заполненного файла в исходном формате)

• Регрессия (например, прогнозирование чисел «Цена недвижимости»)
• Классификация (например, прогнозирование категорий «Да/Нет»)

• ROC AUC (Area Under the ROC Curve, площадь под ROC-кривой) — показывает, насколько хорошо модель различает положительные и отрицательные классы. Значение от 0.5 (модель не лучше случайной) до 1.0 (идеальное разделение). Широко используется в задачах бинарной классификации, особенно при несбалансированных данных

• Gini (коэффициент Джини) - метрика качества, которая измеряет способность модели различать классы. Значение 0 соответствует случайной модели, значение 1 — идеальной. Применяется в бинарной классификации, особенно при сильной диспропорции классов (например, в кредитном скоринге)

• Logloss (функция логарифмических потерь) - оценивает, насколько хорошо модель прогнозирует вероятности классов. Чем выше отклонение прогнозируемой вероятности от фактического класса, тем больше штраф. Используется для бинарной и мультиклассовой классификации, когда важна достоверность вероятностного предсказания

• Accuracy (точность) - доля правильно классифицированных объектов. Простая и наглядная метрика. Хорошо подходит при сбалансированных классах, но может быть обманчивой при дисбалансе (например, когда один класс преобладает)

• Balanced accuracy (сбалансированная точность) - метрика эффективности классификации, рассчитывающаяся как среднее значение между чувствительностью (recall) и специфичностью. Используется, если два класса несбалансированны (один класс появляется гораздо чаще, чем другой). Принимает значения от 0 до 1

• Precision (точность) - доля правильно предсказанных положительных объектов среди всех предсказанных как положительные. Используется, когда важно минимизировать ложные срабатывания, например, в задачах фильтрации спама

• Precision weighted (взвешенная точность) - среднее значение precision по всем классам с учётом их частоты (веса). Применяется при многоклассовой классификации с разным числом объектов в классах

• Precision macro (макроточность) -метрика качества, отражающая среднюю точность по классу без учета из частоты. Макроточность будет низкой для моделей, которые хорошо работают только с распространенными классами и плохой с редкими классами, поэтому она является дополнительной метрикой к общей точности

• Recall (полнота) - доля правильно предсказанных объектов положительного класса среди всех объектов этого класса. Применяется в задачах, где важно не пропустить положительные случаи (например, диагностика заболеваний)

• Recall weighted (взвешенная полнота) - средневзвешенное значение метрики с весами, равными вероятности класса. Метрика рассчитывается как отношение числа значений выборки, корректно классифицированных, к общему количеству значений в классе и значений, ошибочно попавшим в другой класс. Подходит для многоклассовых задач с неравномерным распределением

• Recall macro (макрополнота) - измеряет среднее значение recall среди анализируемых классов. Метрика подчёркивает качество предсказания редких классов и подходит при анализе всех классов как равнозначных

• F1-score (F1-оценка) - рассчитывается как гармоническое среднее метрик recall и precision. Используется, когда необходимо найти баланс между полнотой и точностью, особенно в задачах с дисбалансом классов

• Weighted F1-score (средневзвешенная F1-оценка) - средневзвешенное значение F1-score по всем классам с учетом числа объектов в каждом классе. Применяется при мультиклассовой классификации с разным числом объектов

• Macro F1-score (макро F1-оценка) - простое среднее F1-score по всем классам, без учёта их размера. Подходит для оценки общей сбалансированности модели по всем классам, включая редкие

• Lift - график и метрика, используемые в бинарной классификации для оценки эффективности модели по сравнению со случайным выбором. Особенно полезна при оценке прироста прицельной аудитории (например, в маркетинге) и оптимизации затрат

• Диаграмма значимости факторов отображает, какие признаки оказывают наибольшее влияние на целевую переменную. Это визуальное представление помогает быстро оценить, какие переменные наиболее важны для модели.

• Имя датасета
• Связанные модели
• Вес
• Дату и время загрузки

• Создана: модель создана, но обучение не начато
• Данные не проверены: набор данных не прошел автоматическую к на соответствие требованиям платформы.
• Нажмите на карточку модели и запустите проверку заново.
• Обучается: процесс обучения модели активен
• Обучена: модель успешно прошла обучение
• Deployed – модель развернута и готова к внедрению во внешние сервисы
• Демо - модели: предобученные демонстрационные модели

• Нажмите на иконку ★ для добавления модели в Избранное
• Нажмите на иконку ★ повторно для того, чтобы убрать модель из Избранного

• По дате загрузки: выберите фильтр По дате загрузки
• По наименованию: выберите фильтр По наименованию
• По избранному: выберите фильтр По избранному

1. Перейдите на главную страницу NovaML
2. Нажмите кнопку «…» справа на карточке модели
3. Появится окно с кнопкой Удалить модель
4. Подтвердите удаление

Рисунок 9. Настройка обучения модели

Рисунок 8. Настройка обучения модели

Рисунок 7. Создание модели

Рисунок 6. Страница «Датасеты»

Рисунок 4. Главная страница

Рисунок 5. Удаление модели

Если есть Яндекс аккаунт, то регистрация возможна через него.

Полный список требований доступен по ссылке или на сайте NovaML в разделе «Часто задаваемые вопросы».

Если не указывать имя модели, то оно по умолчанию совпадет с названием загружаемого файла.

Во время обучения платформа комбинирует существующие столбцы, чтобы выявить скрытые закономерности, тем самым добавляя новые значимые факторы для предсказания. Этот процесс называется фичи инжиниринг.

Требования к загружаемому набору данных аналогичны тем,

что предъявляются к данным при обучении модели: данные должны быть

в подходящем формате и соответствовать тем же параметрам,

которые использовались на этапе обучения.

Для того, чтобы создать интерактивный калькулятор требуется только

обучить модель.

Нельзя создать калькулятор, не выбрав ни один фактор.

Для расчета значения целевой переменной все факторы должны быть заполнены.

Этот функционал доступен только для моделей регрессии и бинарной классификации.

Отметим, что откреплять факторы для прогноза следует только те,

которые могут изменяться. Например, если фактор нельзя изменить

(как возраст заемщика при кредитном скоринге), его рекомендуется оставить закрепленным для корректного прогноза.

Процесс автоматического заполнения пропусков не требует дополнительных действий после выбора типа обучения. Система мгновенно обрабатывает загруженные табличные данные и выдает готовый результат.

Далее в руководстве описаны шаги для первого типа обучения — Традиционное машинное обучение.

После выбора переменной для предсказания система автоматически определит тип обучения и предложит метрику, по которой будет происходить выбор оптимального алгоритма. В целях избежания ошибок, мы рекомендуем не менять тип обучения.

Через несколько секунд появится уведомление о начале обучения, и окно

с настройками заменится на лог обучения. Лог будет отображать информацию о процессе обучения, информируя вас о текущем статусе и прогрессе.

Рисунок 2. Форма авторизации

Рисунок 1. Форма регистрации

Рисунок 3. Форма изменения данных профиля

1. Нажмите кнопку Не помню пароль
2. Укажите адрес электронной почты, привязанный к аккаунту,
3. для отправки подтверждения
4. На указанный адрес электронной почты придет письмо со ссылкой для сброса пароля. Перейдите по ссылке.
5. Укажите новый пароль и повторите него
6. Подтвердите обновление

1. Перейдите в аккаунт NovaML
2. Перейдите в раздел Профиль
3. Заполните поля:

• Имя: введите ваше имя
• Компания: введите вашу компанию
• Должность: введите вашу должность
• Нажмите кнопку Сохранить изменения

1. Перейдите в аккаунт NovaML
2. Перейдите в раздел Профиль -> Смена Пароля
3. Заполните поля:

• Старый пароль: введите текущий пароль от аккаунта;
• Новый пароль: задайте новый пароль для аккаунта;
• Повторите пароль: введите новый пароль еще раз.

• Создана учетная запись
• Подтверждена электронная почта

1. Перейдите на сайт NovaML
2. Нажмите кнопку Пробный доступ
3. Заполните регистрационную форму:

• Адрес электронной почты (станет логином)
• Пароль (минимум 8 символов)

1. Перейдите в аккаунт NovaML
2. Нажмите кнопку Создать новую модель
3. В открывшемся окне указаны требования к загружаемым табличным данным.
4. Нажмите кнопку Выбрать файл или перетащите его в указанную область

• Заполнить факторы вручную: введите значение сразу в поле или выберите из выпадающего списка
• Использовать готовые данные (если источник - Загрузка и использование готовых данных): значения автоматически подставятся из выбранной ранее строки
• Применить автозаполнение: нажмите кнопку Заполнить средними значениями.

• Ввод данных вручную (ручной ввод данных для прогноза)
• Загрузка или использование готовых данных (выбор ранее загруженных датасетов или загрузка новых табличных данных, выбор определенной строки для прогноза. Также есть возможность ручного редактирования значений факторов)

• Загрузите новые табличные данные, нажав на иконку + или перетащите файл в область загрузки на платформе
• Выберите ранее загруженные табличные данные в разделе «Загруженные датасеты»

• Предсказание целевой переменной
• Максимизация или минимизация целевой переменной

Рисунок 15. Результат расчета «What-if сценарии»

Рисунок 14. Стартовая страница «What-if сценарии»

Рисунок 13. Сгенерированный API-код

Рисунок 12. Вкладка «Прогноз на новых данных»

Рисунок 11. Значимость факторов

Рисунок 10. Метрики точности

• Предсказанные значения – итоговые предсказанные значения для целевой переменной..

• Предсказанный класс — итоговый прогнозируемый категориальный результат.
• Вероятность для каждого класса — оценка уверенности модели в процентах или долях единицы.
• Порог классификации (threshold) — граничное значение, определяющее отнесение объекта к положительному или отрицательному классу в бинарной классификации.

• GitVerse – платформа для работы с исходным кодом, расположенная на серверах АО «СберТех», https://gitverse.ru.

• Python для компиляции и выполнения ML-скриптов.
• Typescript для компиляции и выполнения интерфейсных и бэкенд-компонентов платформы.