```mermaid graph TD subgraph Stage1 [Этап 1: Сбор и предварительная обработка данных] A[Сбор данных
Паспорт материала1 и Таблица данных ЛОС2] --> B[Входные признаки] B --> B1[Признаки материала
Удельная площадь поверхности, Размер пор, Гидрофобность, Полярность] B --> B2[Признаки ЛОС
Молекулярный вес, logP, Молекулярный диаметр, Значение OAV] B --> C[Выходной признак
Оценка соответствия адсорбции] C --> D[Предварительная обработка данных] D --> D1[Очистка числовых столбцов
Заполнение пропущенных значений] D1 --> D2[Фильтрация эффективных ЛОС
Значение OAV > 0] D2 --> D3[Разработка признаков
Расчет оценки соответствия на основе теории адсорбции] end subgraph Stage2 [Этап 2: Обучение и оценка модели] D3 --> E[Разделение наборов данных] E --> E1[80% Обучающий набор] E --> E2[20% Тестовый набор] E1 --> F[Стандартизация признаков
(Только для SVM и линейной регрессии)] F --> G[Модели машинного обучения] G --> G1[XGBoost] G --> G2[SVM] G --> G3[Random Forest] G --> G4[Линейная регрессия] G1 --> H[Обучение и оценка] G2 --> H G3 --> H G4 --> H H --> H1[5-кратная перекрестная проверка
(Расчет среднего и стандартного отклонения R²)] H1 --> H2[Расчет метрик оценки
R² обучающего набора, R² тестового набора, RMSE, MAE] H2 --> I[Сравнение производительности моделей] I --> I1[Сортировка по R² тестового набора] I1 --> J[Выбор оптимальной модели
(На основе R² тестового набора или производительности перекрестной проверки)] end subgraph Stage3 [Этап 3: Анализ важности признаков и рекомендации по оптимизации] J --> K[Анализ интерпретируемости] ```