基于梯度提升决策树与支持向量机融合模型的成矿预测研究

发布时间：2024-05-10 20:58

　　在成矿预测领域,地质资料种类丰富,数据量大,机器学习算法的优势得以体现,机器学习算法成矿预测逐渐辅助甚至替代了传统的找矿方式。但由于数据问题或各算法自身的局限性,单一算法在实际应用时各有利弊。如何弥补数据或算法的缺陷,更好地发挥机器学习的优势,值得研究与探索。因此,本文对机器学习中的经典算法支持向量机(SVM)在成矿预测领域的应用模型进行了改进,利用新疆东天山研究区的地球化学数据、构造数据、地层及岩体数据,通过构建梯度提升决策树(GBDT)与支持向量机(SVM)的融合模型,对新疆东天山地区进行了成矿预测。论文主要研究内容及成果如下:(1)研究区控矿要素的梳理及数据处理。系统的收集了研究区资料,了解研究区成矿模式;从多元数据类型中初步确定控矿要素,并利用GIS技术进行控矿要素的数据处理,构建机器学习模型训练数据集。(2)特征组合的构建。成矿预测领域特征的选取及处理大多基于专家经验,有较大的不确定性。因此本文在传统特征选取的基础上提出了GBDT-SVM模型,首先使用梯度提升决策树(GBDT)算法构建特征组合,再将特征组合作为新的特征,用于支持向量机(SVM)分类模型的构建,弥补了支持向量机...

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

图1-1基于GBDT-SVM模型的成矿预测流程图

1绪论8图1-1基于GBDT-SVM模型的成矿预测流程图1.5本文创新点目前SVM算法在成矿预测领域的有效性已经得到了广泛的证实，但是在应用过程中的特征选择与参数寻优环节仍然存在不足：特征的选取及处理常基于专家经验，具有较大的不确定性；参数寻优算法的精确度有限，影响了模型的推广能....

图2-1样本学习模型

2支持向量机经典模型10图2-1样本学习模型公式2-1中(,)称为学习函数集或预测函数集，w为函数的参数，,(,)为在给定的输入数据x下，输出值y与学习器给出的准确值(,)之间误差值的数学期望。显而易见的是模型的学习能力与损失函数值成反比，损失值（误差值）越小，表示模型的学习能力....

图2-2欠拟合（左）与过拟合（右）示意图

2支持向量机经典模型12图2-2欠拟合（左）与过拟合（右）示意图2.1.2VC维与结构风险最小化原则支持向量机的VC维是定义函数集学习性能的指标，用于指示机器训练过程中的收敛速度和模型的推广性能。VC维定义如下：如果指示函数集中有h个样本，并且这些样本可以以2种形式打散，则函数集....

图2-2线性支持向量机（林楠，2015）

2支持向量机经典模型14图2-2线性支持向量机（林楠，2015）图中，方点代表正类样本（标签为+1），圆点代表负类样本（标签为-1），穿过样本点，将其划分为两类的粗实线为分类界线，与分类界线呈平行对称分布，且穿过部分样本点的两条虚线之间的距离为分类间隔。分类间隔越大，算法所学习到....

本文编号：3969008