基于梯度提升决策树与支持向量机融合模型的成矿预测研究.pdfVIP

摘要 在成矿预测领域，地质资料种类丰富，数据量大，机器学习算法的优势得以体现， 机器学习算法成矿预测逐渐辅助甚至替代了传统的找矿方式。但由于数据问题或各算法 自身的局限性，单一算法在实际应用时各有利弊。如何弥补数据或算法的缺陷，更好地 发挥机器学习的优势，值得研究与探索。 因此，本文对机器学习中的经典算法支持向量机（SVM ）在成矿预测领域的应用模 型进行了改进，利用新疆东天山研究区的地球化学数据、构造数据、地层及岩体数据， 通过构建梯度提升决策树（GBDT ）与支持向量机（SVM ）的融合模型，对新疆东天山 地区进行了成矿预测。论文主要研究内容及成果如下： （1）研究区控矿要素的梳理及数据处理。系统的收集了研究区资料，了解研究区 成矿模式；从多元数据类型中初步确定控矿要素，并利用GIS 技术进行控矿要素的数据 处理，构建机器学习模型训练数据集。 （2 ）特征组合的构建。成矿预测领域特征的选取及处理大多基于专家经验，有较 大的不确定性。因此本文在传统特征选取的基础上提出了GBDT-SVM 模型，首先使用 梯度提升决策树（GBDT ）算法构建特征组合，再将特征组合作为新的特征，用于支持 向量机（SVM ）分类模型的构建，弥补了支持向量机（SVM ）算法在特征选取方面的不 足。 （3 ）粒子群寻优算法的改进。支持向量机（SVM ）算法中的一个核心问题就是参 数的选取，本文采用了粒子群（PSO）算法进行参数组合寻优，针对粒子群算法在寻优 后期容易陷入局部最小的问题进行了改进，提高了模型的分类精度。 （4 ）利用本文提出的GBDT-SVM 模型与随机森林（RF ）模型、支持向量机（SVM ） 模型和梯度提升决策树（GBDT ）模型分别对新疆东天山研究区进行了成矿预测，并对 结果进行了对比与分析。 通过预测结果的直观对比与基于模型精确度（ACC ）和ROC 曲线下面积（AUC ） 指标的对比得出，相比于单一的预测模型，GBDT-SVM 融合模型对矿点、非矿点都具 有良好的区分能力，整体分类精度最高，预测效果最好。 关键词：成矿预测，支持向量机，梯度提升决策树，粒子群算法，东天山 Abstract In the field of mineralization prediction research, geological data has a large amount of data and rich types, which shows the advantages of machine learning algorithms. The use of machine learning algorithms for mineral prediction research is gradually replacing traditional methods of prospecting. However, due to data problems or the limitations of each algorithm, a single algorithm has its own advantages and disadvantages in practical application. How to make up for the deficiencies of data or algorithms, and make better use of the advantages of machine learning, is worthy of research and exploration. Therefore, this paper improves the application model of machine learning classic algorithm support vector machine (SVM) in the field of metallogenic prediction, The geochemical data, geological structure data, stratum and rock mas