Nesta etapa, o DORA compara seus dados de entrada incorporados com pontos de aprendizado agrupados, que são agrupados para treinamento e validação. Esse processo impulsiona o modelo de aprendizado supervisionado que prevê a probabilidade de mineralização em sua Área de Interesse (AOI), influenciando diretamente a precisão e a generalização.

Nesta etapa, o DORA usa um modelo de classificação de duas classes para aprender com suas grades (raster) embutidas e pontos de aprendizagem identificados. O objetivo é prever onde padrões de mineralização semelhantes podem ocorrer em toda a sua área de interesse.

Para fazer essas previsões, o DORA divide seus pontos de aprendizado em agrupamentos (clusters) espaciais, que são grupos de pontos de dados geograficamente próximos. Esses agrupamentos são usados ​​para separar os dados de treinamento e teste de uma forma que reflete a exploração no mundo real: o modelo aprende com uma área e é então testado em uma área diferente, geologicamente distinta.

O DORA aplica uma técnica de validação cruzada espacial, rotacionando cada agrupamento, reservando-o para teste enquanto treina com os demais. Esse agrupamento garante que o treinamento e o teste não ocorram em pontos vizinhos, o que ajuda a evitar resultados enganosos devido à correlação espacial nos dados.

O agrupamento ajuda o modelo a levar em conta a variação espacial na geologia. Ajustar o tamanho mínimo do agrupamento e o número mínimo de pontos permite que você adapte o modelo para refletir a complexidade ou uniformidade local. Por exemplo, agrupamentos menores em ambientes estruturalmente complexos podem ajudar o modelo a detectar assinaturas minerais sutis.

Esta etapa define como seu modelo aprende e como sua precisão é validada. Ao dividir os pontos de aprendizado em agrupamentos espacialmente distintos, o DORA evita o treinamento e o teste em dados vizinhos, reduzindo o risco de erros de sobreajuste e aprimorando a capacidade do modelo de generalizar em toda a AOI.

O DORA utiliza validação cruzada espacial, percorrendo cada cluster para testar o modelo em dados não vistos. Esse processo fornece uma medida de desempenho mais realista, avaliando a precisão com que o modelo prevê verdadeiros positivos e falsos negativos em diferentes regiões. A qualidade do seu agrupamento impacta diretamente a transferibilidade e a confiabilidade das suas previsões em novas áreas não amostradas.

Recomenda-se o uso das configurações padrão, mas a experimentação é incentivada.

Para a maioria dos usuários, as Configurações Avançadas padrão são suficientes. Essas configurações foram projetadas para ajudar a ajustar o modelo e a abordar problemas de sobreajuste ou subajuste. Dito isso, você não vai estragar nada experimentando! Se estiver curioso, tente ajustar as configurações e observe como elas afetam seus resultados.

Saiba mais no artigo Funcionalidades avançadas para a construção de modelos preditivos ou clique na ferramenta de dica associada.

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