Descripción general
En esta sección es donde se definen los elementos específicos y donde los datos de aprendizaje se separan en ejemplos positivos (mineralizados) y negativos (no mineralizados). El sistema utiliza puntos de aprendizaje durante el entrenamiento para reconocer patrones en los datos y hacer predicciones. Cada punto de aprendizaje ayuda a mejorar la comprensión del sistema sobre información subyacente.
Para obtener más contexto y explicaciones sobre lo que implica este paso, continúe con la lectura.
Conceptos clave por parámetro
Parámetro: Puntos de aprendizaje
Los archivos en este menú desplegable son todos archivos de puntos de aprendizaje disponibles para elegir para su recurso. Si este menú desplegable no está disponible, significa que solo tiene 1 archivo y se está utilizando de forma predeterminada.
Campo de elevación
Los valores en este menú desplegable se completan a partir de los encabezados de columna de su archivo de atributos de shapefiles de puntos de aprendizaje. La elevación del objetivo seleccionada aquí debe coincidir con el encabezado de la columna que contiene las coordenadas Z de sus puntos de aprendizaje. Esto se utilizará para predecir el componente 3D de la puntuación de prospectividad.
Filtros de datos de aprendizaje
Sub-parámetro: Elemento(s) objetivo
Los valores en este menú desplegable están determinados por su archivo de atributos de shapefiles de puntos de aprendizaje.
Puede establecer múltiples elementos objetivo y umbrales dentro de un mapa de predicción.
Sub-parámetro: Alternar Mayor que / Menor que
Esta opción le permite especificar si el elemento objetivo debe ser mayor o menor que el umbral especificado para ser considerado un punto de aprendizaje positivo.
De forma predeterminada, el filtro está configurado para incluir elementos mayores que el umbral objetivo correspondiente. Si es necesario para su objetivo, puede alternar el interruptor para cambiarlo a menor que.
Sub-parámetro: Umbral
El cuadro de texto del umbral es donde se indica la calificación que debe alcanzar el elemento para ser representado como un punto de datos de aprendizaje positivo.
Los elementos que no alcancen el umbral de calificación definido se representarán como un punto de aprendizaje negativo.
Los valores mínimo y máximo que se pueden utilizar como umbral se mostrarán inmediatamente debajo de las entradas Elemento objetivo/Umbral. Estos se basan en los valores más bajos y más altos de su archivo de atributos del shapefile de puntos de aprendizaje.
Sub-parámetro: Alternar y/o
Al apuntar a múltiples productos básicos, puede especificar si sus objetivos se combinan usando la lógica "AND" (“Y”) o se manejan de forma independiente con la lógica "OR" (“O”).
Lógica "AND" (“Y”): se deben alcanzar todos los umbrales para que se considere un punto de aprendizaje positivo.
Combina todos los productos específicos en una sola evaluación.
Los puntos de aprendizaje positivos y negativos se calculan colectivamente en todos los productos.
Esta configuración es útil cuando, por ejemplo, se apunta a un producto específico y al mismo tiempo se garantiza la ausencia de otros elementos determinados.
Lógica "OR" (“O”): cualquiera de los umbrales objetivo se puede alcanzar para ser considerado un punto de aprendizaje positivo.
Trata cada producto objetivo de forma independiente, permitiendo evaluaciones separadas para cada uno con sus propios puntos de aprendizaje positivos y negativos.
Desglose de datos de aprendizaje
Esta tabla de datos suministra la proporción de puntos de aprendizaje positivos y negativos según los umbrales objetivo configurados en los filtros de datos de aprendizaje.
Esta configuración ayuda a proporcionar un contexto cuantificable sobre qué tan equilibrado está su conjunto de datos y se puede utilizar para determinar si es necesario ajustar la configuración de equilibrio negativo en la configuración avanzada del paso Creación de Modelos Predictivos.
¿Aún tienes preguntas?
Comuníquese con su contacto exclusivo de DORA o envíe un correo electrónico a Support@VRIFY.com para obtener más información.