DORA organiza Learning Points (Puntos de aprendizaje) en train-test clusters (grupos de entrenamiento y prueba) espaciales para entrenar y validar su modelo predictivo. Este enfoque de spatial cross-validation (validación cruzada espacial) reduce el sesgo espacial y produce métricas de rendimiento más fiables que las divisiones aleatorias.

Cuando haga clic en Run Prediction (Ejecutar predicción) en Paso 4: Seleccionar Input Features (características de entrada) DORA agrupa automáticamente sus Learning Points en spatial clusters (clústeres espaciales), que son conjuntos de puntos geográficamente cercanos entre sí. Estos clústeres se utilizan para separar los datos de entrenamiento de los datos de prueba.

DORA aplica un método llamado spatial cross-validation (validación cruzada espacial).

En lugar de entrenar con algunos puntos y probar con otros elegidos al azar, el modelo rota cada clúster uno por uno. Cada train-test cluster toma su turno como conjunto de prueba, mientras el modelo se entrena con los clusters restantes. Este proceso se repite hasta que cada clúster haya sido reservado como conjunto de prueba una vez.

Puede visualizar los train-test clusters en el Prediction Map (Mapa de Predicción) desde la 3D Layers List (Lista de capas 3D), de forma individual o superpuestos con otros datos, como los Learning Points.

Muchos modelos de machine learning (aprendizaje automático) utilizan una división aleatoria; por ejemplo, el 70 % de los puntos para entrenamiento y el 30 % para prueba. DORA emplea un enfoque diferente, ya que las divisiones aleatorias no son adecuadas para datos geoespaciales.

La mineralización presenta correlación espacial. Los puntos

geográficamente cercanos tienden a compartir características geológicas similares. Si los puntos de entrenamiento y prueba se seleccionan al azar, a menudo terminan siendo vecinos. En ese caso, el modelo puede evaluarse con patrones que, en la práctica, ya ha visto en puntos cercanos, lo que puede generar resultados aparentemente sólidos, pero que no se sostienen en terrenos realmente inexplorados.

Mediante la spatial cross-validation (validación cruzada espacial), DORA garantiza que el conjunto de prueba sea siempre geográficamente independiente del conjunto de entrenamiento. Esto proporciona una medida más realista del rendimiento del modelo al predecir en áreas nuevas y no muestreadas, que es el propósito central del prospectivity mapping (mapeo de prospectividad).

Las métricas de rendimiento que se muestran en las salidas Prediction Accuracy (Precisión de la predicción) y Performance Breakdown (Desglose del rendimiento) reflejan cómo se comportó el modelo en test clusters (clústeres de prueba) geográficamente independientes. Esto incluye accuracy (precisión), precision (precisión positiva), recall (recuperación) y F1 score (puntaje F1).

Debido a que los clústeres prueba son espacialmente distintos, estas métricas representan la capacidad del modelo para generalizar en diferentes partes de su AOI (Área de Interés), y no solo en áreas que ya ha visto durante el entrenamiento.

Comuníquese con su contacto designado de DORA o envíe un correo electrónico a support@vrify.com para obtener más información.