```mermaid graph TD subgraph Stage1 [Phase 1: Datenerfassung und -vorverarbeitung] A[Datenerfassung
Materialdatenblatt1 & VOC-Datenblatt2] --> B[Eingangsmerkmale] B --> B1[Materialmerkmale
Spezifische Oberfläche, Porengröße, Hydrophobie, Polarität] B --> B2[VOC-Merkmale
Molekulargewicht, logP, Molekulardurchmesser, OAV-Wert] B --> C[Ausgangsmerkmal
Adsorptions-Matching-Score] C --> D[Datenvorverarbeitung] D --> D1[Bereinigen numerischer Spalten
Fehlende Werte auffüllen] D1 --> D2[Effektive VOCs filtern
OAV-Wert > 0] D2 --> D3[Feature Engineering
Matching-Score basierend auf der Adsorptionstheorie berechnen] end subgraph Stage2 [Phase 2: Modelltraining und -evaluation] D3 --> E[Datensatzaufteilung] E --> E1[80% Trainingssatz] E --> E2[20% Testdatensatz] E1 --> F[Feature-Standardisierung
(Nur für SVM und lineare Regression)] F --> G[Maschinelle Lernmodelle] G --> G1[XGBoost] G --> G2[SVM] G --> G3[Random Forest] G --> G4[Lineare Regression] G1 --> H[Training und Evaluation] G2 --> H G3 --> H G4 --> H H --> H1[5-fache Kreuzvalidierung
(Berechnung von Mittelwert und Standardabweichung von R²)] H1 --> H2[Berechnung von Evaluationsmetriken
Trainingssatz R², Testdatensatz R², RMSE, MAE] H2 --> I[Modell-Performance-Vergleich] I --> I1[Sortierung nach Testdatensatz R²] I1 --> J[Optimale Modellauswahl
(Basierend auf Testdatensatz R² oder Kreuzvalidierungs-Performance)] end subgraph Stage3 [Phase 3: Feature-Importance-Analyse und Optimierungsanleitung] J --> K[Interpretierbarkeitsanalyse] ```