發(fā)布時(shí)間：2024-05-10 20:58

　　在成礦預(yù)測領(lǐng)域,地質(zhì)資料種類豐富,數(shù)據(jù)量大,機(jī)器學(xué)習(xí)算法的優(yōu)勢得以體現(xiàn),機(jī)器學(xué)習(xí)算法成礦預(yù)測逐漸輔助甚至替代了傳統(tǒng)的找礦方式。但由于數(shù)據(jù)問題或各算法自身的局限性,單一算法在實(shí)際應(yīng)用時(shí)各有利弊。如何彌補(bǔ)數(shù)據(jù)或算法的缺陷,更好地發(fā)揮機(jī)器學(xué)習(xí)的優(yōu)勢,值得研究與探索。因此,本文對(duì)機(jī)器學(xué)習(xí)中的經(jīng)典算法支持向量機(jī)(SVM)在成礦預(yù)測領(lǐng)域的應(yīng)用模型進(jìn)行了改進(jìn),利用新疆東天山研究區(qū)的地球化學(xué)數(shù)據(jù)、構(gòu)造數(shù)據(jù)、地層及巖體數(shù)據(jù),通過構(gòu)建梯度提升決策樹(GBDT)與支持向量機(jī)(SVM)的融合模型,對(duì)新疆東天山地區(qū)進(jìn)行了成礦預(yù)測。論文主要研究內(nèi)容及成果如下:(1)研究區(qū)控礦要素的梳理及數(shù)據(jù)處理。系統(tǒng)的收集了研究區(qū)資料,了解研究區(qū)成礦模式;從多元數(shù)據(jù)類型中初步確定控礦要素,并利用GIS技術(shù)進(jìn)行控礦要素的數(shù)據(jù)處理,構(gòu)建機(jī)器學(xué)習(xí)模型訓(xùn)練數(shù)據(jù)集。(2)特征組合的構(gòu)建。成礦預(yù)測領(lǐng)域特征的選取及處理大多基于專家經(jīng)驗(yàn),有較大的不確定性。因此本文在傳統(tǒng)特征選取的基礎(chǔ)上提出了GBDT-SVM模型,首先使用梯度提升決策樹(GBDT)算法構(gòu)建特征組合,再將特征組合作為新的特征,用于支持向量機(jī)(SVM)分類模型的構(gòu)建,彌補(bǔ)了支持向量機(jī)...

【文章頁數(shù)】：83 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1基于GBDT-SVM模型的成礦預(yù)測流程圖

1緒論8圖1-1基于GBDT-SVM模型的成礦預(yù)測流程圖1.5本文創(chuàng)新點(diǎn)目前SVM算法在成礦預(yù)測領(lǐng)域的有效性已經(jīng)得到了廣泛的證實(shí)，但是在應(yīng)用過程中的特征選擇與參數(shù)尋優(yōu)環(huán)節(jié)仍然存在不足：特征的選取及處理�；�于專家經(jīng)驗(yàn)，具有較大的不確定性；參數(shù)尋優(yōu)算法的精確度有限，影響了模型的推廣能....

圖2-1樣本學(xué)習(xí)模型

2支持向量機(jī)經(jīng)典模型10圖2-1樣本學(xué)習(xí)模型公式2-1中(,)稱為學(xué)習(xí)函數(shù)集或預(yù)測函數(shù)集，w為函數(shù)的參數(shù)，,(,)為在給定的輸入數(shù)據(jù)x下，輸出值y與學(xué)習(xí)器給出的準(zhǔn)確值(,)之間誤差值的數(shù)學(xué)期望。顯而易見的是模型的學(xué)習(xí)能力與損失函數(shù)值成反比，損失值（誤差值）越小，表示模型的學(xué)習(xí)能力....

圖2-2欠擬合（左）與過擬合（右）示意圖

2支持向量機(jī)經(jīng)典模型12圖2-2欠擬合（左）與過擬合（右）示意圖2.1.2VC維與結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則支持向量機(jī)的VC維是定義函數(shù)集學(xué)習(xí)性能的指標(biāo)，用于指示機(jī)器訓(xùn)練過程中的收斂速度和模型的推廣性能。VC維定義如下：如果指示函數(shù)集中有h個(gè)樣本，并且這些樣本可以以2種形式打散，則函數(shù)集....

圖2-2線性支持向量機(jī)（林楠，2015）

2支持向量機(jī)經(jīng)典模型14圖2-2線性支持向量機(jī)（林楠，2015）圖中，方點(diǎn)代表正類樣本（標(biāo)簽為+1），圓點(diǎn)代表負(fù)類樣本（標(biāo)簽為-1），穿過樣本點(diǎn)，將其劃分為兩類的粗實(shí)線為分類界線，與分類界線呈平行對(duì)稱分布，且穿過部分樣本點(diǎn)的兩條虛線之間的距離為分類間隔。分類間隔越大，算法所學(xué)習(xí)到....

本文編號(hào)：3969008