Visão geral
Neste artigo, você aprenderá a ler e interpretar os gráficos de Importância de Recursos em um Mapa de Predição DORA. Este gráfico ajuda a entender quais características (como geologia, geofísica ou geoquímica) influenciaram as previsões do modelo e o que fazer se o modelo parecer estar se concentrando nas entradas erradas.
O que é a importância de um Recurso?
Os gráficos de importância de recursos (também conhecidos como valores SHAP) ajudam a explicar como os recursos impactam as previsões do modelo de IA. Eles mostram o quanto cada recurso de entrada contribuiu para a tomada de decisão do modelo.
Em DORA, essas características podem incluir estruturas geológicas, concentrações de elementos geoquímicos, anomalias geofísicas e muito mais.
A cada elemento é atribuída uma porcentagem de Importância, indicando como cada elemento contribuiu para que o pixel tivesse alta ou baixa probabilidade de ser mineralizado.
Os gráficos de importância de recursos ajudam que você:
Veja em quais recursos o modelo se baseou com mais frequência.
Veja como cada recurso, valores baixos e altos, altera as chances de mineralização.
Verifique se o foco do modelo está alinhado com sua compreensão da exploração.
Como interpretar
Os gráficos de importância dos Recursos ajudam você a entender quais influenciaram as previsões do DORA e como.
Eis como lê-los:
Classificação de recursos (eixo Y): os recursos são listados do mais importante (acima) ao menos importante (abaixo), com base em sua influência nas previsões do modelo.
Valor SHAP (eixo X): Mostra o quanto um recurso desviou a previsão de uma estimativa neutra de 50%.
Direita = direcionou a previsão para a mineralização
Esquerda = empurrou para longe da mineralização
Cor dos pontos de dados: Cada ponto de dados representa um pixel na sua área de interesse (AOI).
Rosa escuro/Vermelho = alto valor de entrada
Azul = baixo valor de entrada
A altura do histograma/espessura da nuvem de pontos representa a densidade dos dados.
Por exemplo:
Se pontos rosa escuro ou vermelhos referentes a uma determinada característica estiverem agrupados no lado direito do gráfico SHAP, isso significa que valores altos desse recurso aumentaram a probabilidade de mineralização.
Se estiverem agrupados à esquerda, significa que valores altos diminuíram a probabilidade.
Em contrapartida, se os pontos azuis (que representam valores baixos) estiverem agrupados à direita, então os valores baixos desse recurso aumentaram a probabilidade de mineralização, sugerindo uma relação inversa.
Se os pontos azuis estiverem concentrados à esquerda, valores baixos diminuem a probabilidade.
A previsão básica de DORA para um pixel é de 50%, o que equivale a um lançamento de moeda ou um palpite neutro. A Importância dos Recursos mostra como os recursos empurram essa previsão para mais ou para menos:
Um valor SHAP de +0,3 pode alterar a probabilidade de um pixel de 50% para 80%.
Um valor SHAP de -0,2 pode reduzi-lo para 30%.
Quanto mais consistentemente um recurso afasta as previsões de 50%, mais importante ele é considerado. Se todos os pontos de dados para um recurso estiverem agrupados próximos de zero, esse recurso não teve muita influência no modelo.
O que fazer se os resultados não forem os ideais
Se o gráfico apresentar resultados inesperados, seu modelo pode precisar de ajustes. Alguns sinais de alerta incluem:
Um recurso que você esperava ser importante (como uma anomalia geofísica chave) apresenta baixa importância.
Um recurso que parece não ter relação com o seu modelo de depósito tem uma classificação alta.
Isso pode significar que o modelo está se baseando em dados ruidosos ou irrelevantes, ou que seus recursos de entrada podem não estar bem alinhados com seus objetivos de exploração.
⚠️ Evite o viés de confirmação: Resultados inesperados podem indicar a necessidade de ajustar os parâmetros do modelo — ou podem revelar insights surpreendentes. Analise isso criticamente e entre em contato com a equipe da VRIFY para obter ajuda na validação.
Experimente estes passos:
Reavalie os recursos que você selecionou.
Voltar para Etapa 2: Selecione os recursos de entrada. Remova quaisquer elementos que não sejam geologicamente relevantes ou adicione elementos que você considere estarem faltando.
Analise seus dados de treinamento.
Garanta que seus pontos de aprendizado em Etapa 3: Configurar os dados de aprendizagem representem com precisão o que você considera mineralizado ou não mineralizado.
Verifique se há problemas na qualidade dos dados.
Dados imprecisos, inconsistentes ou esparsos podem distorcer a compreensão do modelo sobre o que é importante. Certifique-se de que suas principais camadas de entrada estejam completas e alinhadas com a Área de Interesse (AOI).
Saber mais
Interprete outros gráficos de resultados do DORA:
Criar um mapa de previsão DORA:
Ainda tem dúvidas?
Entre em contato com seu contato dedicado DORA ou envie um e-mail para support@VRIFY.com para obter mais informações.