基于金矿规格单元数据的机器学习方法在成矿建模分析中的应用

发布时间：2021-08-21 04:32

　　现代金矿勘察主要是通过综合地球化学和地质测量等数字化方法对深部矿床进行研究,所需要的人力物力成本较高。而通过分析积累的金矿规格单元数据,可以建立金矿成矿情况与相关成矿元素含量之间的非线性关系,从已有的勘查数据中寻找金矿成矿的一般规律。本文基于与金矿相关的成矿元素含量数据,分别采用逻辑斯蒂回归、随机森林和决策树方法对原始数据和重采样数据进行训练,综合运用召回率、精确率和准确率对模型进行评价。通过对比发现,在训练和测试原始数据过程中,由于每组之间数据量的巨大差距,导致成矿数据被淹没;而在训练重采样数据过程中,随机森林在召回率和准确率方面均有较好的表现,分别达到了90.63%和70.78%;并最终分析了随机森林模型中不同分类边界对于金矿成矿情况预测结果的影响。利用不同的测量指标对模型进行评价分析,使模型更适用于金矿成矿预测,可有效地提高金矿勘察的效率。 

【文章来源】：大地构造与成矿学. 2020,44(02)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

混淆矩阵

在训练过程中,利用网格搜索法和5折交叉验证进行参数寻优,利用最优参数进行预测分析,首先用原数据训练集进行模型训练,并采用逻辑斯蒂回归,决策树和随机森林建立预测模型,模型预测结果见图5。从图5中可以看出,多数成矿数据被预测为无矿,说明数据间的不平衡确实会造成数据淹没。同时,利用图5的混淆矩阵可以计算三种预测模型的召回率、精确率和准确率,其计算结果如表3所示,在随机森林中,因真正类和假正类均为0,精确率无法计算。从表3可以看出,在使用原始数据建模过程中,三种方法的准确率都达到95%以上,但是召回率都低于20%,说明成矿数据无法被模型识别,尽管模型的准确率很高,但是无法应用于实际。应通过调整参数提高召回率,尽可能识别成矿数据,使模型可在金矿床勘察实践中应用。

逻辑斯蒂回归函数

【参考文献】：
期刊论文
[1]地质领域机器学习、深度学习及实现语言[J]. 周永章,王俊,左仁广,肖凡,沈文杰,王树功.  岩石学报. 2018(11)
[2]大数据助地质腾飞:岩石学报2018第11期大数据专题“序”[J]. 张旗,周永章.  岩石学报. 2018(11)
[3]卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例[J]. 刘艳鹏,朱立新,周永章.  岩石学报. 2018(11)
[4]基于大数据方法的玄武岩大地构造环境智能挖掘判别与分析[J]. 韩帅,李明超,任秋兵,刘承照.  岩石学报. 2018(11)
[5]基于深度学习的镜下矿石矿物的智能识别实验研究[J]. 徐述腾,周永章.  岩石学报. 2018(11)
[6]陕西宁陕县太山庙金矿地质特征及成因[J]. 刘吉权,文亚松.  云南地质. 2018(01)
[7]基于岩石图像深度学习的岩性自动识别与分类方法[J]. 张野,李明超,韩帅.  岩石学报. 2018(02)
[8]基于深度信念网络的地质实体识别方法[J]. 张雪英,叶鹏,王曙,杜咪.  岩石学报. 2018(02)
[9]惠州凹陷新近系K系列海平面变化定量分析及大数据应用展望[J]. 李景哲,周永章,张金亮,王树功,丁琳.  岩石学报. 2018(02)
[10]大数据时代对科学研究方法的反思——《矿物岩石地球化学通报》2017大数据专辑代序[J]. 张旗,周永章.  矿物岩石地球化学通报. 2017(06)



本文编号：3354883