Visão geral
Este artigo explica como interpretar o indicador de Precisão de Profundidade e o gráfico de dispersão do R² Válido no seu Mapa de Previsão. Esses resultados ajudam a avaliar a precisão com que o modelo prevê a posição vertical de alvos mineralizados e o que fazer caso os resultados não sejam confiáveis.
Medidor de precisão de profundidade
Ao abrir os resultados pela primeira vez, você verá um indicador de Precisão de Profundidade na forma de um medidor circular, ou odômetro, mostrando:
Índice de Precisão – Uma porcentagem que representa o quão próximas as profundidades previstas estão das profundidades reais.
Rótulo – Um indicador qualitativo do desempenho do modelo.
Uma porcentagem mais alta indica melhor alinhamento entre as profundidades previstas e reais. Pontuações mais baixas podem sugerir que o modelo está com dificuldades para aprender padrões verticais a partir dos seus dados.
O ideal é ver a etiqueta “High” (Alta).
Para explorar os resultados mais detalhadamente, clique na seta no canto superior direito para visualizar os resultados do modelo.
O que é um gráfico de dispersão válido com R²?
Abaixo do medidor, você encontrará o gráfico R² Válido. O R² Válido é um gráfico de dispersão que compara os valores de profundidade previstos com os valores de profundidade reais do seu conjunto de dados de validação, normalmente provenientes de furos de sondagem.
O eixo X mostra a profundidade real da perfuração, geralmente negativa porque representa a profundidade abaixo da superfície.
O eixo Y mostra a profundidade prevista pelo modelo.
Uma linha diagonal vermelha (linha 1:1) é traçada ao longo do gráfico. Essa linha representa previsões perfeitas, onde as profundidades previstas e reais são iguais.
Cada ponto azul representa um ponto de aprendizado (ou seja, um local onde tanto a profundidade prevista quanto a real são conhecidas). Um ponto na linha vermelha indica uma previsão perfeita. Quanto mais distante um ponto estiver da linha vermelha, menos precisa será a previsão do modelo.
Este gráfico é essencial porque relaciona os resultados da classificação (por exemplo, a probabilidade de mineralização) com a profundidade prevista, um fator crítico para o direcionamento da perfuração. Enquanto a classificação indica onde a mineralização é provável, o modelo de profundidade indica a profundidade ideal para perfurar. O gráfico de R² válido ajuda a avaliar se essas previsões de profundidade são confiáveis.
Como interpretar
O gráfico de dispersão R² válido fornece um indicador visual rápido do desempenho da previsão:
Um agrupamento compacto de pontos azuis ao longo da diagonal significa que o modelo está funcionando bem, prevendo com precisão as profundidades em toda a faixa.
Se os pontos estiverem muito dispersos acima ou abaixo da diagonal, o modelo está superestimando ou subestimando o valor:
Pontos acima da diagonal: O modelo está prevendo uma profundidade maior do que a real.
Pontos abaixo da diagonal: O modelo prevê uma profundidade menor do que a real.
Um padrão de alinhamento horizontal, onde os pontos formam uma faixa plana independentemente da profundidade real, sugere que o modelo está usando valores médios de profundidade por padrão. Isso indica que o modelo não está aprendendo com os recursos de entrada e está apresentando um desempenho ruim.
Se apenas alguns pontos aparecerem no gráfico de dispersão, o modelo pode ter tido poucos pontos de aprendizado. Isso limita sua capacidade de aprender e prever a profundidade com precisão.
Substituir características com desempenho insatisfatório por dados de entrada geologicamente mais relevantes pode melhorar significativamente a precisão do modelo.
O que fazer se os resultados não forem os ideais
Se o gráfico de dispersão R² válido mostrar um padrão fraco ou inconsistente, seu modelo pode não estar prevendo a profundidade de forma eficaz. Tente os seguintes ajustes:
Diminua o limite de classificação
Em Etapa 3: Configurar os dados de aprendizagem, reduza o valor usado para definir pontos mineralizados. Um limiar alto pode resultar em um número muito pequeno de amostras positivas, limitando os dados de treinamento válidos para a modelagem de profundidade.
Analise os seus recursos de entrada.
Em Etapa 2: Selecione os recursos de entrada, avalie se os rasters selecionados são adequados para prever a profundidade. Remova recursos com pouca variação vertical ou ruído excessivo e experimente diferentes combinações de rasters. Substituir recursos com desempenho inferior por entradas geologicamente mais relevantes pode melhorar significativamente a precisão do modelo.
Ajustar os parâmetros de treinamento do modelo
Em Etapa 4: Incorporar recursos de entrada, aumente o número de períodos para permitir mais ciclos de treinamento.Em Etapa 5: Construir o Modelo Preditivo, refine as configurações do cluster (por exemplo, tamanho do agrupamento ou número mínimo de pontos) para melhor capturar os padrões do subsolo.
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.