Aperçu
Cette section permet de définir les éléments ciblés et de séparer les données d’apprentissage en exemples positifs (minéralisés) et négatifs (non minéralisés). Le système utilise les points d’apprentissage pendant l’entraînement pour reconnaître des schémas dans les données et effectuer des prédictions. Chaque point d’apprentissage contribue à améliorer la compréhension du système sur les informations sous-jacentes.
Lisez la suite pour en savoir plus sur le contexte et les explications de cette étape.
Pour connaître les étapes de configuration de la Configuration des Données d'Apprentissage, consultez ce lien.
Concepts clés par paramètre
Paramètre : Points d'apprentissage
Les fichiers de ce menu déroulant sont tous les fichiers de points d'apprentissage disponibles pour votre actif. SSi ce menu n’apparaît pas, cela signifie que vous n’avez qu’un seul fichier, qui est utilisé par défaut.
Champ d’Élévation
Les valeurs de ce menu déroulant proviennent des en-têtes de colonnes de votre fichier d’attributs shapefile des Learning Points (Points d’Apprentissage). L'élévation cible sélectionnée ici doit correspondre à l'en-tête de colonne qui contient les coordonnées Z de vos points d'apprentissage. Cela sera utilisé pour prédire la composante 3D du score de prospectivité.
Filtres de données d'apprentissage
Sous-paramètre : Élément(s) Cible(s)
Les valeurs de ce menu déroulant sont déterminées par votre fichier shapefile d'attributs des Points d’Apprentissage.
Vous pouvez définir plusieurs éléments cibles et seuils dans une seule carte de prédiction.
Sous-paramètre : Bascule Supérieur à / Inférieur à
Ce bouton permet de spécifier si l’élément cible doit être supérieur ou inférieur au seuil défini pour être considéré comme un point d’apprentissage positif.
Par défaut, le filtre est réglé pour inclure les éléments supérieurs au seuil cible correspondant. Si nécessaire pour votre cible, vous pouvez basculer le bouton pour le modifier le inférieur à.
Sous-paramètre : seuil
La zone de texte du seuil est l'endroit où vous indiquez le grade que l'élément doit atteindre pour être représenté comme un point de données d'apprentissage positif.
Les éléments qui n’atteignent pas le seuil défini seront considérés comme des points d’apprentissage négatif.
Les valeurs minimales et maximales pouvant être utilisées comme seuil s’afficheront directement sous les champs Élément Cible / Seuil. Ces valeurs sont basées sur les valeurs les plus basses et les plus élevées de votre fichier d’attributs shapefile des Points d’Apprentissage.
Sous-paramètre : bascule Et / ou
Lorsque vous ciblez plusieurs commodités, vous pouvez spécifier si vos cibles sont combinées à l'aide de la logique « ET » ou traitées indépendamment avec la logique « OU ».
Logique « ET » : Tous les seuils doivent être atteints pour être considéré comme un point d’apprentissage positif.
Combine toutes les commodités ciblées en une seule évaluation.
Les points d’apprentissage positifs et négatifs sont calculés collectivement sur l’ensemble des commodités.
Ce paramètre est utile lorsque, par exemple, vous ciblez une commodité spécifique tout en garantissant l'absence de certains autres éléments.
Logique « OU » : L’un des seuils cibles peut être atteint pour être considéré comme un point d’apprentissage positif.
Chaque commodité ciblée est traitée indépendamment, avec sa propre évaluation de points positifs et négatifs.
Répartition des données d'apprentissage
Ce tableau de données fournit le ratio de points d'apprentissage positifs et négatifs en fonction des seuils cibles configurés dans les filtres de données d'apprentissage.
Ce paramètre offre un contexte quantifiable sur l’équilibre de votre jeu de données, et peut être utilisé pour déterminer si vous devez ajuster la configuration de l’équilibre négatif dans les paramètres avancés de l’étape Créer des Modèles Prédictifs.
Vous avez encore des questions ?
Contactez votre contact DORA ou envoyez un e-mail à support@VRIFY.com pour plus d'informations.