Aperçu
Dans cette section, vous configurez le modèle Vision Transformer (ViT) qui sera utilisé pour vos prédictions, ainsi que le nombre de fois que vos données seront traitées par l’algorithme afin d’ajuster les modèles généraux aux spécificités géologiques de votre zone d’étude. Ce paramètre est appelé "nombre d’époques (epochs)".
Une intégration visuelle est une représentation visuelle dans un espace latent multidimensionnel des relations entre les caractéristiques d’entrée. Elle permet de mieux visualiser les motifs et de comprendre les relations dans les données. Cette étape est un exercice de réduction de dimension, comparable à une analyse en composantes principales (ACP / PCA). Au cours de ce processus, vos caractéristiques d'entrée seront traduites en 24 dimensions qui aideront l'algorithme à générer des prédictions plus précises.
Lisez la suite pour mieux comprendre le contexte et les objectifs de cette étape.
Concepts clés par paramètre
Paramètre : modèle Vision Transformer (transformateur de vision)
Le Vision Transformer traite, intègre, code et classe les caractéristiques d'entrée permettant de faire une prédiction pour chaque cellule (grille de pixels).
Les modèles Vision Transformer disponibles sont conçus pour différents types de systèmes minéralisés, incluant un Modèle Général à utiliser si aucun modèle spécifique n’est disponible pour votre type de minéralisation cible.
Le choix du bon modèle — qu’il soit spécialisé ou général — permet :
un meilleur alignement avec les caractéristiques de vos données,
une meilleure précision de prédiction,
une réduction du risque de surapprentissage (overfitting).
Si vous ne savez pas quel modèle utiliser, commencez avec Master_Model.pt.
Si vous souhaitez utiliser un modèle non entraîné, sélectionnez l'option None (Aucun). Ceci est utile dans le cas où votre gisement est extrêmement spécifique à votre localisation.
Paramètre : Nombre d'époques (Epochs)
La définition du nombre d'époques contrôle le nombre de passages complets dans les données d'entraînement.
Époques basses : un faible nombre d’époques réduit le temps d’entraînement. Cela peut suffire si le modèle assimile rapidement les données, mais comporte un risque de sous-apprentissage — le modèle pourrait ne pas identifier tous les schémas présents dans l’ensemble de données.
Époques élevées : un nombre élevé d’époques permet davantage de cycles d’apprentissage, ce qui peut améliorer la performance du modèle. Toutefois, passé un certain seuil, des époques supplémentaires n’ont plus d’impact significatif sur la précision.
Il peut être utile d’augmenter le nombre d’époques si votre modèle n’a pas encore convergé (c’est-à-dire si la perte diminue encore et la précision augmente).
Un arrêt anticipé (early stop) est intégré à DORA pour surveiller les performances du modèle et interrompt l'entraînement lorsque celle-ci n’évolue plus. Cela évite les itérations inutiles et empêche le surajustement, améliorant ainsi la fiabilité du modèle et de ses prédictions tout en réduisant le temps d'exécution des calculs.
Vous avez encore des questions ?
Contactez votre contact DORA ou envoyez un e-mail à support@VRIFY.com pour plus d'informations.