在成礦預(yù)測領(lǐng)域,地質(zhì)資料種類豐富,數(shù)據(jù)量大,機器學習算法的優(yōu)勢得以體現(xiàn),機器學習算法成礦預(yù)測逐漸輔助甚至替代了傳統(tǒng)的找礦方式。但由于數(shù)據(jù)問題或各算法自身的局限性,單一算法在實際應(yīng)用時各有利弊。如何彌補數(shù)據(jù)或算法的缺陷,更好地發(fā)揮機器學習的優(yōu)勢,值得研究與探索。因此,本文對機器學習中的經(jīng)典算法支持向量機(SVM)在成礦預(yù)測領(lǐng)域的應(yīng)用模型進行了改進,利用新疆東天山研究區(qū)的地球化學數(shù)據(jù)、構(gòu)造數(shù)據(jù)、地層及巖體數(shù)據(jù),通過構(gòu)建梯度提升決策樹(GBDT)與支持向量機(SVM)的融合模型,對新疆東天山地區(qū)進行了成礦預(yù)測。論文主要研究內(nèi)容及成果如下:(1)研究區(qū)控礦要素的梳理及數(shù)據(jù)處理。系統(tǒng)的收集了研究區(qū)資料,了解研究區(qū)成礦模式;從多元數(shù)據(jù)類型中初步確定控礦要素,并利用GIS技術(shù)進行控礦要素的數(shù)據(jù)處理,構(gòu)建機器學習模型訓練數(shù)據(jù)集。(2)特征組合的構(gòu)建。成礦預(yù)測領(lǐng)域特征的選取及處理大多基于專家經(jīng)驗,有較大的不確定性。因此本文在傳統(tǒng)特征選取的基礎(chǔ)上提出了GBDT-SVM模型,首先使用梯度提升決策樹(GBDT)算法構(gòu)建特征組合,再將特征組合作為新的特征,用于支持向量機(SVM)分類模型的構(gòu)建,彌補了支持向量機...

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【部分圖文】：

圖1-1基于GBDT-SVM模型的成礦預(yù)測流程圖

1緒論8圖1-1基于GBDT-SVM模型的成礦預(yù)測流程圖1.5本文創(chuàng)新點目前SVM算法在成礦預(yù)測領(lǐng)域的有效性已經(jīng)得到了廣泛的證實，但是在應(yīng)用過程中的特征選擇與參數(shù)尋優(yōu)環(huán)節(jié)仍然存在不足：特征的選取及處理�；趯＜医�(jīng)驗，具有較大的不確定性；參數(shù)尋優(yōu)算法的精確度有限，影響了模型的推廣能....

圖2-1樣本學習模型

2支持向量機經(jīng)典模型10圖2-1樣本學習模型公式2-1中(,)稱為學習函數(shù)集或預(yù)測函數(shù)集，w為函數(shù)的參數(shù)，,(,)為在給定的輸入數(shù)據(jù)x下，輸出值y與學習器給出的準確值(,)之間誤差值的數(shù)學期望。顯而易見的是模型的學習能力與損失函數(shù)值成反比，損失值（誤差值）越小，表示模型的學習能力....

圖2-2欠擬合（左）與過擬合（右）示意圖

2支持向量機經(jīng)典模型12圖2-2欠擬合（左）與過擬合（右）示意圖2.1.2VC維與結(jié)構(gòu)風險最小化原則支持向量機的VC維是定義函數(shù)集學習性能的指標，用于指示機器訓練過程中的收斂速度和模型的推廣性能。VC維定義如下：如果指示函數(shù)集中有h個樣本，并且這些樣本可以以2種形式打散，則函數(shù)集....

圖2-2線性支持向量機（林楠，2015）

2支持向量機經(jīng)典模型14圖2-2線性支持向量機（林楠，2015）圖中，方點代表正類樣本（標簽為+1），圓點代表負類樣本（標簽為-1），穿過樣本點，將其劃分為兩類的粗實線為分類界線，與分類界線呈平行對稱分布，且穿過部分樣本點的兩條虛線之間的距離為分類間隔。分類間隔越大，算法所學習到....

本文編號：3969008