En este paso, DORA compara los datos de entrada integrados con puntos de aprendizaje agrupados, los cuales se organizan para entrenamiento y validación. Este proceso impulsa el modelo de aprendizaje supervisado que predice la probabilidad de mineralización en el Área de Interés (AOI, por sus siglas en inglés Area of Interest), influyendo directamente en la precisión y la generalización.

En este paso, DORA utiliza un modelo de clasificación binaria para aprender a partir de sus rásteres incrustados y puntos de aprendizaje etiquetados. El objetivo es predecir dónde podrían aparecer patrones de mineralización similares en su Área de Interés.

Para realizar estas predicciones, DORA divide los puntos de aprendizaje en clústeres espaciales, que son grupos de puntos de datos geográficamente cercanos. Estos clústeres se utilizan para separar los datos de entrenamiento y de prueba de una manera que refleja la exploración del mundo real: el modelo aprende de un área y luego se prueba en otra diferente, geológicamente distinta.

DORA aplica una técnica de validación cruzada espacial, rotando entre cada clúster al dejarlo fuera para pruebas mientras entrena con los demás. Esta agrupación garantiza que el entrenamiento y las pruebas no se realicen en puntos vecinos, lo que ayuda a evitar resultados engañosos debido a la correlación espacial en los datos.

La agrupación ayuda al modelo a tener en cuenta la variación espacial en la geología. Ajustar el Tamaño Mínimo del Clúster y el Número Mínimo de Puntos permite adaptar el modelo para reflejar la complejidad o uniformidad local. Por ejemplo, clústeres más pequeños en entornos estructuralmente complejos pueden ayudar al modelo a detectar indicios minerales sutiles.

Este paso define cómo aprende su modelo y cómo se valida su precisión. Al dividir los puntos de aprendizaje en clústeres espacialmente distintos, DORA evita que el entrenamiento y las pruebas se realicen sobre datos vecinos, reduciendo el riesgo de sobreajuste y mejorando la capacidad del modelo para generalizar en todo el AOI.

DORA utiliza validación cruzada espacial, rotando entre cada clúster para probar el modelo con datos no vistos. Este proceso proporciona una medida de rendimiento más realista al evaluar que tan bien el modelo predice verdaderos y falsos positivos y negativos en diferentes regiones. La calidad de la agrupación impacta directamente en la transferibilidad y la fiabilidad de las predicciones en áreas nuevas y no muestreadas.

Configuración predeterminadas recomendadas, pero se anima a experimentar.

Para la mayoría de los usuarios, las Configuraciones Avanzadas predeterminadas son suficientes. Estas configuraciones están diseñadas para ayudar a ajustar el modelo y abordar problemas de sobreajuste o subajuste. Dicho esto, ¡no romperá nada por experimentar! Si tiene curiosidad, pruebe a ajustar la configuración y observe cómo afectan a los resultados.

Obtenga más información en el artículo Funciones avanzadas para construir modelos predictivos o haga clic en la información emergente asociada.

Comuníquese con su contacto asignado de DORA o envíe un correo electrónico a soporte@VRIFY.com para obtener más información.