Ο κόμβος CSV Reader χρησιμοποιείται για τη φόρτωση του dataset στο περιβάλλον του KNIME, αποτελώντας το αρχικό βήμα της διαδικασίας.

Ο κόμβος Missing Value εφαρμόζεται για την αντιμετώπιση των ελλιπών τιμών, ώστε να διασφαλιστεί η ποιότητα των δεδομένων και η σωστή λειτουργία του μοντέλου.

Ο κόμβος Normalizer (Apply) εφαρμόζει την ίδια κανονικοποίηση στο test set, εξασφαλίζοντας συνέπεια μεταξύ training και test δεδομένων.

Ο κόμβος One to Many μετατρέπει τις κατηγορικές μεταβλητές σε αριθμητική μορφή μέσω one-hot encoding, καθώς τα μοντέλα μηχανικής μάθησης απαιτούν αριθμητικά δεδομένα.

Ο κόμβος Table Partitioner διαχωρίζει τα δεδομένα σε training και test set, επιτρέποντας την αξιόπιστη αξιολόγηση του μοντέλου σε άγνωστα δεδομένα.

Ο κόμβος Decision Tree Learner εκπαιδεύει το μοντέλο δέντρου αποφάσεων με βάση τα training δεδομένα.

Ο κόμβος Decision Tree Predictor χρησιμοποιείται για την εφαρμογή του εκπαιδευμένου μοντέλου στα test δεδομένα και την παραγωγή προβλέψεων.

Ο κόμβος Scorer υπολογίζει τις μετρικές απόδοσης και δημιουργεί το confusion matrix, επιτρέποντας την αξιολόγηση της αποτελεσματικότητας του μοντέλου.

Ο κόμβος SMOTE χρησιμοποιείται για την εξισορρόπηση των κλάσεων δημιουργώντας τεχνητά δείγματα της μειοψηφικής κλάσης, βελτιώνοντας έτσι την ικανότητα του μοντέλου να την αναγνωρίζει.

Ο κόμβος Decision Tree Learner εκπαιδεύει το μοντέλο σε κάθε fold χρησιμοποιώντας το αντίστοιχο training subset, επιτρέποντας την εκμάθηση από διαφορετικά υποσύνολα δεδομένων.

Ο κόμβος Value Counter χρησιμοποιείται για την ανάλυση της κατανομής της μεταβλητής στόχου, με σκοπό τον εντοπισμό πιθανής ανισορροπίας μεταξύ των κλάσεων.

Ο κόμβος Scorer χρησιμοποιείται για τον υπολογισμό των τελικών μετρικών απόδοσης και του confusion matrix, επιτρέποντας τη συνολική αξιολόγηση του μοντέλου μετά την ολοκλήρωση της cross-validation.

Ο κόμβος X-Partitioner χρησιμοποιείται για την εφαρμογή της μεθόδου cross-validation, χωρίζοντας τα δεδομένα σε πολλαπλά folds ώστε κάθε τμήμα να χρησιμοποιείται εναλλάξ για εκπαίδευση και αξιολόγηση.

Ο κόμβος Group Loop Start χρησιμοποιείται για την ομαδοποίηση των αποτελεσμάτων (π.χ. ανά fold ή μετρική), διευκολύνοντας την περαιτέρω ανάλυση και σύγκριση.

Ο κόμβος Decision Tree Predictor εφαρμόζει το εκπαιδευμένο μοντέλο στο validation fold, παράγοντας προβλέψεις για δεδομένα που δεν έχουν χρησιμοποιηθεί στην εκπαίδευση.

Ο κόμβος X-Aggregator συγκεντρώνει τα αποτελέσματα από όλα τα folds, υπολογίζοντας τις μέσες τιμές των μετρικών και παρέχοντας μια πιο αξιόπιστη εκτίμηση της απόδοσης του μοντέλου.

Ο κόμβος GroupBy χρησιμοποιείται για τον υπολογισμό των μέσων τιμών των μετρικών (Mean Accuracy, Mean Precision, Mean Recall, Mean F1-score), παρέχοντας μια συνολική και πιο αξιόπιστη εκτίμηση της απόδοσης του μοντέλου.

Ο κόμβος Normalizer εφαρμόζει κανονικοποίηση στα χαρακτηριστικά, ώστε όλα τα δεδομένα να βρίσκονται στην ίδια κλίμακα και να βελτιώνεται η απόδοση του μοντέλου.

Ο κόμβος Scorer εφαρμόζεται για τον υπολογισμό συγκεντρωτικών μετρικών, συμβάλλοντας στη συνολική αξιολόγηση της απόδοσης του μοντέλου.

Ο κόμβος Loop End ολοκληρώνει τη διαδικασία του loop, συγκεντρώνοντας τα αποτελέσματα όλων των επαναλήψεων σε έναν ενιαίο πίνακα για τελική αξιολόγηση.