Analisar os gráficos de saída visual de DORA é fundamental para entender o desempenho do modelo, identificar erros e ver quais recursos influenciam as previsões. Isso ajuda a refinar os resultados e alinhá-los aos seus objetivos de exploração.

Este artigo inclui instruções interativas passo a passo para cada gráfico de saída. Para obter mais detalhes sobre como interpretar e ajustar os resultados, leia os artigos com instruções passo a passo disponíveis nos links abaixo:

O VPS é um dos principais resultados de um Mapa de Previsão DORA. Ele representa a probabilidade calculada pelo modelo de IA de encontrar o mineral desejado, nas concentrações especificadas, dentro da Área de Interesse (AOI). O VPS auxilia os geocientistas na interpretação visual do potencial mineral em toda a área do projeto, apoiando decisões de exploração baseadas em dados.

🔗 Leia o artigo completo: O que é o Índice de Prospectividade VRIFY?

Esses resultados ajudam você a avaliar o quão bem o modelo distingue entre áreas mineralizadas e áreas estéreis, e o que fazer se os resultados não forem ideais.

🔗 Leia o artigo completo: Interpretação dos resultados de DORA: Precisão da previsão (Matriz de confusão).

Esses resultados ajudam você a avaliar o quão bem o modelo prevê a posição vertical dos alvos mineralizados e o que fazer se os resultados não forem ideais.

🔗 Leia o artigo completo: Interpretação dos resultados de DORA: Precisão da profundidade (R² válido).

Este gráfico ajuda você a entender quais recursos (como geologia, geofísica ou geoquímica) influenciaram as previsões do modelo e o que fazer se o modelo parecer estar se concentrando nas entradas erradas.

🔗 Leia o artigo completo: Interpretação dos resultados de DORA: Importância dos recursos (SHAP).

Nota: A curva ROC não está mais incluída nos novos relatórios de DORA. Esta seção destina-se a usuários que revisam experimentos antigos.

A curva ROC (Receiver Operating Characteristic) mede a capacidade do modelo de separar zonas mineralizadas de zonas estéreis. Ela representa graficamente a taxa de verdadeiros positivos (sensibilidade) em função da taxa de falsos positivos (1 - especificidade) para diferentes limites de classificação.

Uma curva próxima ao canto superior esquerdo indica um desempenho sólido, ou seja, uma alta detecção de zonas mineralizadas com poucos falsos positivos.

Uma curva próxima da linha diagonal sugere um desempenho ruim e demonstra que o modelo não está conseguindo diferenciar efetivamente as classes.

A AUC (Área Sob a Curva) resume esse desempenho:

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