DORA organiza Pontos de Aprendizagem em clusters (agrupamentos) espaciais de treino e teste para treinar e validar seu modelo preditivo. Essa abordagem de validação cruzada espacial reduz o viés espacial e produz métricas de desempenho mais confiáveis ​​do que divisões aleatórias.

Ao clicar em Executar Previsão em Etapa 4: Selecione os recursos de entrada, DORA agrupa automaticamente seus Pontos de Aprendizagem em clusters (agrupamentos) espaciais, que são conjuntos de pontos geograficamente próximos. Esses clusters são usados ​​para separar os dados de treinamento dos dados de teste.

O DORA aplica um método chamado validação cruzada espacial.

Em vez de treinar com alguns pontos e testar com outros escolhidos aleatoriamente, o modelo alterna entre cada cluster, um de cada vez. Cada cluster atua como conjunto de teste enquanto o modelo treina com os clusters restantes. Esse processo se repete até que todos os clusters tenham sido reservados para teste.

Você pode visualizar os clusters de treino e teste no Mapa de Previsão a partir da Lista de Camadas 3D, individualmente ou sobrepostos a outros dados, como Pontos de Aprendizagem.

Muitos modelos de aprendizado de máquina usam uma divisão aleatória; por exemplo, 70% dos pontos para treinamento e 30% para teste. DORA usa uma abordagem diferente, porque as divisões aleatórias não são adequadas para dados geoespaciais.

A mineralização é espacialmente correlacionada. Pontos geograficamente próximos tendem a compartilhar características geológicas semelhantes. Se os pontos de treinamento e teste forem escolhidos aleatoriamente, eles frequentemente acabam sendo vizinhos. O modelo pode então ser avaliado com base em padrões que ele já observou nas proximidades, o que pode produzir resultados aparentemente robustos, mas que não se sustentam em terrenos genuinamente inexplorados.

Ao utilizar validação cruzada espacial, o DORA garante que o conjunto de teste seja sempre geograficamente independente do conjunto de treinamento. Isso proporciona uma medida mais realista de como o modelo se comportará ao fazer previsões em novas áreas não amostradas — o objetivo principal do mapeamento de prospectividade.

As métricas de desempenho mostradas nos resultados de Análise da precisão e desempenho das previsões refletem o desempenho do modelo em grupos de teste geograficamente independentes. Isso inclui acurácia, precisão, recall e pontuação F1.

Como os agrupamentos de teste são espacialmente distintos, essas métricas representam a capacidade do modelo de generalizar para diferentes partes da sua Área de Interesse (AOI), e não apenas para áreas que ele já observou.

Entre em contato com seu representante DORA ou envie um e-mail para support@vrify.com para obter mais informações.