PolyAnalyst предоставляет широкий выбор алгоритмов машинного обучения и статистической обработки для анализа структурированных данных, таких как числа, строки и даты. Система позволяет решать задачи классификации, кластеризации, предсказания численных значений, выявлять типичные паттерны и аномалии, и строить предсказательные модели на основе анализа временных рядов и сетевых структур. PolyAnalyst может производить чистку и обогащение данных, используя алгоритмы нечеткого сравнения разных представлений объектов.

Построенные системой предсказательные модели позволяют извлекать полезные знания, скрытые в анализируемых сырых данных, и применять эти знания для принятия эффективных управленческих и бизнес-решений.

Полный набор алгоритмов анализа для любой задачи

Важным значением для пользователя, работающего с системами обнаружения и извлечения знаний, является возможность обучения математических алгоритмов на исторических данных и построения предиктивных моделей для нахождения паттернов и высокоточного прогнозирования результатов будущих событий. Ни один аналитический алгоритм не является универсальным средством, а каждая практическая задача имеет свою специфику, что требует применения множества инструментов для определения наиболее эффективного. PolyAnalyst содержит более тридцати современных инструментов интеллектуального анализа, позволяющих решать подавляющее число прикладных задач. Также в PolyAnalyst возможно использовать высокоуровневые языки программирования Python и R для выполнения специальных операций с данными.

Прогнозирование:

• Нейронные сети хорошо известны как способ моделирования данных и выявления шаблонов в данных. Существует несколько видов моделей нейронных сетей. В PolyAnalyst реализованы Многослойный перцептрон, и Нейронный газ (однородный перцептрон).
• Сверточная нейронная сеть  используется для анализа и классификации изображений; она также разрабатывает искусственную нейронную сеть для выполнения регрессионного анализа или классификации числовых данных.
• Задача алгоритма Ближайшие соседи – решить новую проблему, вспомнив подобную ситуацию, разрешенную ранее, и использовать полученные ранее сведения.
• Алгоритм Таблица решений предназначен для выявления зависимостей между целевыми и независимыми переменными и представления результатов в виде таблицы или куба.

Регрессивный анализ:

• Линейная регрессия – один из старейших и хорошо известных методов статистического прогнозирования. Это процесс создания такой линии в пространстве, при которой сумма квадратов расстояний между линией и каждой точкой сведена к минимуму. 
• Многомерные адаптивные регрессионные сплайны (МАРС) выполняет многомерную нелинейную регрессию. Алгоритм выстраивает нелинейную оценку числовой целевой функции с помощью произвольных независимых переменных. 

Анализ временных рядов:

• Прогнозирование временных рядов предпринимает попытку прогнозирования числовых переменных, представленных в виде временных рядов, измеряемых через равные промежутки времени. PolyAnalyst работает с комбинацией алгоритмов прогнозирования временных рядов, которые используются последовательно (друг за другом): значения, оставшиеся после одного метода, подхватываются следующим методом. 
• Основная задача узла ARIMA — построение модели процесса, называемой ARIMA. Эта модель представляет собой сочетание следующих параметров:
• Авторегрессивная модель процесса (Auto-Regression) – прогнозирование роста процесса исходя из его предыдущих состояний (режимов) (как линейная комбинация значений)
• Интеграция временного ряда (Integration) – для создания стационарного процесса
• Модель процесса скользящего среднего (Moving Average model of process) – модель помех остается от модели процесса AR.

Анализ статистических распределений:

• Алгоритм аудит данных позволяет на ранней стадии анализа определять, полезны ли собранные данные, и стоит ли их анализировать дальше.
• Алгоритм Анализ статистических распределений выполняет следующие задачи:
• Расчет статистических характеристик выборки: среднее, стандартное отклонение, асимметрия, превышение, медиана и мода.
• Распознавание вида распределения: нормальное, экспоненциальное, двойное экспоненциальное, логнормальное и равномерное.
• Проверка гипотез эквивалентности средних и дисперсии двух или более переменных.
• Проверка гипотез эквивалентности медиан и близости форм распределения переменных.
• Группировка переменных по результатам проверки гипотез.

Классификация:

• Байесовская классификация предназначен для создания и обучения модели, которая умеет выставлять объекту (записи) определенную категорию на основе определенного набора признаков (предикторов) этой записи. При этом созданная и обученная модель будет для данного объекта наиболее вероятной.
• Линейный классификатор — алгоритм классификации, основанный на построении линейной разделяющей поверхности. В случае двух классов разделяющей поверхностью является гиперплоскость, которая делит пространство признаков на два полупространства. В случае большего числа классов разделяющая поверхность кусочно-линейна.
• Логистическая регрессия – это вид классификации и часто используемое средство обработки данных. Если ввести данные о наблюдениях в алгоритм логистической регрессии, он обучит модель, которая сможет прогнозировать целевой класс (класс «да» или «нет») определенной целевой переменной при добавлении новых наблюдений. 
• SVM (от англ.Support vector machine), применяет метод опорных векторов, обучает модель SVM. 

Кластеризация:

• Кластеризация по методу k-средних использует широко известный алгоритм, метод k-средних, для группировки записей из исходной таблицы и для создания отчета об итогах кластеризации. 
• Алгоритм Кластеризация на основе расстояний основан на анализе расстояний между векторами. Кроме того, он устроен таким образом, что не находит кластеры в случайных данных (в отличие от кластеризации по методу k-средних).
• Максимизация ожидания пытается сгруппировать записи с похожими атрибутами. Подобная кластеризация используется в глубоком анализе данных для выявления аномальных записей, подгрупп подобных записей и значимых свойств, определяющих подобие.
• Сеть Кохонена (анг. Kohonen Network, KN) реализует алгоритм нейросетевой самоорганизующейся карты. Основной целью данного алгоритма является получение эффективного отображения образов, близких друг к другу в пространстве входных сигналов, в смежные элементы выходного пространства малой размерности. Анализ связей:
• Анализ связей исследует корреляции между классами категориальных переменных (строковых/булевых/числовых) и представляет результаты в виде интерактивного графика с возможностью детализации. Визуализация позволяет понять скрытую структуру изучаемых данных, выявить корреляции и быстро отобрать интересующие тенденции в данных для дальнейшего анализа.
• Факторный анализ – это собирательное название, используемое для группы широко применяемых статистических инструментов для изучения взаимосвязей между значениями переменных, сокращения числа переменных и, в конечном итоге, сокращения размерности таблицы в последующем анализе.
• Анализ социальных сетей — это математический анализ структуры и свойств соединенных между собой посредством направленных или ненаправленных связей объектов, отдельных объектов, составляющих эти сети, и связей между объектами.
• Корреляционный анализ — статистический инструмент анализа многомерных данных. Основная проблема, решаемая этим инструментом, — нахождение скрытых значимых зависимостей между переменными (атрибутами). 

Анализ покупательских корзин:

• Анализ покупательских корзин выполняет статистический анализ транзакционных данных о расчетах на кассе, с помощью которого можно найти товары, которые часто покупаются вместе, а также спрогнозировать, предполагает ли покупка одного или двух товаров покупку другого товара/товаров.
• Транзакционный анализ покупательских корзин выполняет такой же анализ групп товаров, как и Анализ покупательских корзин, с той лишь разницей, что он предназначен для анализа таких данных, в которых каждая покупка товара представлена как отдельная транзакция. Разрешение сущностей:
• Алгоритм Нечёткое совпадение предназначен для идентификации различных описаний одних и тех же сущностей внутри одной таблицы данных. Под сущностью понимается некая последовательность символов или слов, характеризующаяся набором семантических категорий, и соотносимая с неким объектом реального мира. 
• Нормализация сущностей (Normalize Entities) предназначен для приведения необработанных данных в стандартную форму.
• Задача алгоритма Нечёткое объединение — найти различные описания одних и тех же сущностей в двух разных таблицах данных и объединить эти сущности друг с другом.

Анализ данных быстро и без программирования

Анализ данных, как и прочие процедуры PolyAnalyst вроде очистки или преобразования данных, проводится путем выстраивания и соединения последовательности графических узлов. Каждый такой узел является алгоритмом интеллектуальной аналитики, либо вспомогательным узлом, например для тестирования или применения обученной модели. Такой подход позволяет быстро строить многошаговые аналитические сценарии, включающие как классические, так и самые передовые алгоритмы машинного обучения, без необходимости сложного программирования. Встроенные механизмы автоматизации превращают построенные аналитические сценарии в полностью роботизированные приложения для решения конкретных бизнес-задач.