Revisar los gráficos de salida visual de DORA es clave para comprender el rendimiento del modelo, detectar errores y ver qué características influyen en las predicciones. Esto le ayuda a refinar los resultados y alinearlos con sus objetivos de exploración.

Este artículo incluye tutoriales interactivos para cada gráfico de salida. Para más detalles sobre cómo interpretar y ajustar los resultados, consulte los artículos paso a paso vinculados.

El VPS (por sus siglas en inglés VRIFY Prospectivity Score) es un resultado central de un Mapa de Predicción DORA. Representa la probabilidad calculada por el modelo de IA de encontrar el recurso deseado, en las leyes especificadas, dentro del Área de Interés (AOI por sus siglas en inglés Area of Interest). El VPS ayuda a los geocientíficos a interpretar visualmente el potencial mineral en un sitio de proyecto, respaldando decisiones de exploración basadas en datos.

🔗 Lea el artículo completo: ¿Qué es el puntaje de prospectividad VRIFY?

Estos resultados le ayudan a evaluar que tan bien el modelo distingue entre áreas mineralizadas y estériles, y qué hacer si los resultados no son ideale.

🔗 Lea el artículo completo: Interpretar resultados de DORA: Precisión de Predicción (Matriz de Confusión).

Estos resultados le ayudan a evaluar la precisión con la que el modelo predice la posición vertical de los objetivos mineralizados y qué hacer si los resultados no son ideales.

🔗 Lea el artículo completo: Interpretar de los resultados de DORA: Precisión de profundidad (R² válido).

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 enfocarse en las entradas incorrectas.

🔗 Lea el artículo completo: Interpretar de los resultados de DORA: Importancia de características (SHAP).

Nota: La curva ROC ya no se incluye en las nuevas salidas de DORA. Esta sección se proporciona para usuarios que revisan experimentos anteriores.

La curva ROC (Curva de Características Operativas del Receptor) mide que tan bien el modelo distingue áreas mineralizadas de estériles. Representa gráficamente la Tasa de Verdaderos Positivos (Sensibilidad) frente a la Tasa de Falsos Positivos (1 - Especificidad) en diferentes umbrales de clasificación.

Una curva cercana a la esquina superior izquierda indica un rendimiento sólido, es decir, una alta detección de zonas mineralizadas con pocos falsos positivos.

Una curva cercana a la línea diagonal sugiere un rendimiento deficiente y demuestra que el modelo no está distinguiendo eficazmente entre las clases.

El AUC (Área Bajo la Curva) resume este rendimiento:

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