現(xiàn)代金礦勘察主要是通過綜合地球化學和地質(zhì)測量等數(shù)字化方法對深部礦床進行研究,所需要的人力物力成本較高。而通過分析積累的金礦規(guī)格單元數(shù)據(jù),可以建立金礦成礦情況與相關成礦元素含量之間的非線性關系,從已有的勘查數(shù)據(jù)中尋找金礦成礦的一般規(guī)律。本文基于與金礦相關的成礦元素含量數(shù)據(jù),分別采用邏輯斯蒂回歸、隨機森林和決策樹方法對原始數(shù)據(jù)和重采樣數(shù)據(jù)進行訓練,綜合運用召回率、精確率和準確率對模型進行評價。通過對比發(fā)現(xiàn),在訓練和測試原始數(shù)據(jù)過程中,由于每組之間數(shù)據(jù)量的巨大差距,導致成礦數(shù)據(jù)被淹沒;而在訓練重采樣數(shù)據(jù)過程中,隨機森林在召回率和準確率方面均有較好的表現(xiàn),分別達到了90.63%和70.78%;并最終分析了隨機森林模型中不同分類邊界對于金礦成礦情況預測結(jié)果的影響。利用不同的測量指標對模型進行評價分析,使模型更適用于金礦成礦預測,可有效地提高金礦勘察的效率。 

【文章來源】：大地構(gòu)造與成礦學. 2020,44(02)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

混淆矩陣

在訓練過程中,利用網(wǎng)格搜索法和5折交叉驗證進行參數(shù)尋優(yōu),利用最優(yōu)參數(shù)進行預測分析,首先用原數(shù)據(jù)訓練集進行模型訓練,并采用邏輯斯蒂回歸,決策樹和隨機森林建立預測模型,模型預測結(jié)果見圖5。從圖5中可以看出,多數(shù)成礦數(shù)據(jù)被預測為無礦,說明數(shù)據(jù)間的不平衡確實會造成數(shù)據(jù)淹沒。同時,利用圖5的混淆矩陣可以計算三種預測模型的召回率、精確率和準確率,其計算結(jié)果如表3所示,在隨機森林中,因真正類和假正類均為0,精確率無法計算。從表3可以看出,在使用原始數(shù)據(jù)建模過程中,三種方法的準確率都達到95%以上,但是召回率都低于20%,說明成礦數(shù)據(jù)無法被模型識別,盡管模型的準確率很高,但是無法應用于實際。應通過調(diào)整參數(shù)提高召回率,盡可能識別成礦數(shù)據(jù),使模型可在金礦床勘察實踐中應用。

邏輯斯蒂回歸函數(shù)

【參考文獻】：
期刊論文
[1]地質(zhì)領域機器學習、深度學習及實現(xiàn)語言[J]. 周永章,王俊,左仁廣,肖凡,沈文杰,王樹功.  巖石學報. 2018(11)
[2]大數(shù)據(jù)助地質(zhì)騰飛:巖石學報2018第11期大數(shù)據(jù)專題“序”[J]. 張旗,周永章.  巖石學報. 2018(11)
[3]卷積神經(jīng)網(wǎng)絡及其在礦床找礦預測中的應用——以安徽省兆吉口鉛鋅礦床為例[J]. 劉艷鵬,朱立新,周永章.  巖石學報. 2018(11)
[4]基于大數(shù)據(jù)方法的玄武巖大地構(gòu)造環(huán)境智能挖掘判別與分析[J]. 韓帥,李明超,任秋兵,劉承照.  巖石學報. 2018(11)
[5]基于深度學習的鏡下礦石礦物的智能識別實驗研究[J]. 徐述騰,周永章.  巖石學報. 2018(11)
[6]陜西寧陜縣太山廟金礦地質(zhì)特征及成因[J]. 劉吉權(quán),文亞松.  云南地質(zhì). 2018(01)
[7]基于巖石圖像深度學習的巖性自動識別與分類方法[J]. 張野,李明超,韓帥.  巖石學報. 2018(02)
[8]基于深度信念網(wǎng)絡的地質(zhì)實體識別方法[J]. 張雪英,葉鵬,王曙,杜咪.  巖石學報. 2018(02)
[9]惠州凹陷新近系K系列海平面變化定量分析及大數(shù)據(jù)應用展望[J]. 李景哲,周永章,張金亮,王樹功,丁琳.  巖石學報. 2018(02)
[10]大數(shù)據(jù)時代對科學研究方法的反思——《礦物巖石地球化學通報》2017大數(shù)據(jù)專輯代序[J]. 張旗,周永章.  礦物巖石地球化學通報. 2017(06)



本文編號：3354883