Resumen
En este artículo, aprenderá a leer e interpretar los gráficos de Importancia de Características en un Mapa de Predicción de DORA.
Este gráfico le ayuda a comprender qué características (como geología, geofísica o geoquímica) influyeron en las predicciones del modelo, y qué hacer si el modelo parece estar enfocándose en las entradas incorrectas.
¿Qué es la Importancia de Características?
Los gráficos de Importancia de Características (también conocidos como valores SHAP) ayudan a explicar cómo las características impactan en las predicciones del modelo de IA. Muestran cuánto contribuyó cada característica de entrada al proceso de toma de decisiones del modelo.
En DORA, estas características pueden incluir estructuras geológicas, concentraciones geoquímicas de elementos, anomalías geofísicas y más.
A cada característica se le asigna un porcentaje de Importancia de Características, que indica cómo esa característica desplazó el píxel hacia una mayor probabilidad de mineralizado o hacia una menor probabilidad de estar mineralizado.
Los gráficos de Importancia de Características le permiten:
Ver en qué características se basó más el modelo.
Observar cómo cada característica, en valores bajos y altos, modifica las probabilidades de mineralización.
Velidar si el enfoque del modelo se alinea con su comprensión de la exploración.
Cómo interpretar
Los gráficos de Importancia de Características le ayudan a comprender qué características influyeron en las predicciones de DORA y de qué manera.
Guía de lectura:
Orden de Características (eje Y): Las características se listan de la más importante (arriba) hasta la menos importante (abajo), según el grado con que influyeren en las predicciones del modelo.
Valor SHAP (eje X): Muestra cuánto desplazó una característica la predicción respecto de una estimación neutral del 50%.
Derecha: la característica empujó la predicción hacia la mineralización
Izquierda: la carcaterística la alejó de la mineralización
Color de los Puntos de Datos: Cada punto de datos representa un píxel en su Área de interés (AOI).
Rosa oscuro/Rojo: valor de entrada alto.
Azul: valor de entrada bajo
La altura del histograma/grosor del diagrama en enjambre (bee swarm) representa la densidad de datos.
Por ejemplo:
Puntos de color rosa oscuro/ rojo en el lado derecho del gráfico SHAP → Valores altos de esa característica aumentaron la probabilidad de mineralización.
Puntos de color rosa oscuro/ rojo a la izquierda → Valores altos disminuyeron la probabilidad de mineralización
Puntos azules (valores bajos) agrupados en el lado derecho → Valores bajos de esa característica aumentaron la probabilidad de mineralización, lo que sugiere una relación inversa.
Puntos azules concentrados en el lado izquierdo → Valores bajos disminuyen la probabilidad de mineralización.
La predicción base de DORA para un píxel es 50%, equivalente a un lanzamiento de moneda o una suposición neutral. Los gráficos de Importancia de Características muestra cómo las características desplazan esa predicción hacia arriba o hacia abajor:
Un valor SHAP de +0,3 puede mover la probabilidad de un píxel del 50% a 80%.
Un valor SHAP de –0,2 puede reducirlo a 30%.
Cuanto más consistentemente una característica aleje las predicciones del 50%, mayor será su importancia. Si todos los datos de una característica están estrechamente agrupados cerca de cero, esa característica no influyó mucho en el modelo.
Qué hacer si los resultados no son óptimos
Si el gráfico muestra resultados inesperados,su modelo puede necesitar ajustes. Algunos signos de advertencia incluyen:
Una característica que esperaba fuera importante (como una anomalía geofísica clave) aparece con baja importancia.
Una característica que parece no estar relacionada con su modelo de depósito aparece con alta relevancia.
Esto puede significar que el modelo se está basando en datos ruidosos o irrelevantes, o que las características de entrada no están bien alineadas con sus objetivos de exploración.
⚠️ Evite el Sesgo de Confirmación: Los resultados inesperados pueden indicar la necesidad de ajustar parámetros del modelo o bien revelar hallazgos sorprendente. Piense esto detenidamente y póngase en contacto con el equipo de VRIFY para ayudar a validar. |
Pruebe estos pasos:
Revise las características seleccionadas.
Regrese al Paso 2: Cómo seleccionar características de entrada y eliminar aquellas que no sean geológicamente relevantes, o agregue características que considere faltantes.
Revise sus datos de entrenamiento.
Asegúrese de que sus puntos de aprendizaje del Paso 3: Cómo configurar Datos de Aprendizaje represente con precisión lo que usted considera mineralizado o no mineralizado.
Verifique problemas de calidad de datos.
Datos inexactos, inconsistentes o escasos pueden distorsionar la comprensión del modelo sobre lo que es relevante. Confirme que sus capas de entrada clave estén completas y alineadas con el Área de Interés (AOI).
Más información
Interpretar otros gráficos de resultados de DORA:
Crear un Mapa de Predicción DORA:
¿Aún tiene preguntas?
Comuníquese con su contacto exclusivo de DORA o envíe un correo electrónico a support@VRIFY.com para obtener más información.