Skip to main content
Comprensión: configurar datos de aprendizaje

Conozca los factores clave involucrados en la configuración: Configurar datos de aprendizaje en un experimento de IA VRIFY.

Updated over 3 weeks ago

Este artículo fue traducido mediante Google Translate.

Descripción general

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 de la información subyacente.

Siga leyendo para obtener más contexto y explicaciones sobre lo que implica este paso.


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 en su archivo de atributos de archivo de forma 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

Subparámetro: Elemento(s) objetivo

  • Los valores en este menú desplegable están determinados por su archivo de atributos de archivo de forma de Puntos de aprendizaje.

  • Puede establecer múltiples elementos objetivo y umbrales dentro de un mapa de predicción.

Subparámetro: Mayor que / Menor que Alternar

  • 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 menos de.

Subparámetro: 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 de archivo de forma de Puntos de aprendizaje.

Subparámetro: y/o alternar

  • Al apuntar a múltiples productos básicos, puede especificar si sus objetivos se combinan usando la lógica "Y" o se manejan de forma independiente con la lógica "O".

  • Lógica “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 “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 proporciona 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 posible que necesite ajustar la configuración de Equilibrio negativo en la configuración avanzada del paso Crear modelos predictivos.


¿Aún tienes preguntas?

Comuníquese con su contacto exclusivo de VRIFY AI o envíe un correo electrónico a Support@VRIFY.com para obtener más información.

Did this answer your question?