作者：韩启迪; 张小桐; 申维机器学习gbdt岩性分类决策树
摘要：对覆盖区下伏岩体的有效识别是实现深部找矿突破的关键,近年来机器学习理论的发展为岩性识别提供了新的思路。梯度提升决策树(GBDT)算法是以决策树为基函数的集成学习方法,算法通过将学习得到的多个树模型进行集成,可以达到同时减少模型方差和偏差的效果。本文以地球化学元素数据为基础,利用GBDT算法进行岩性识别研究,并将所得结果与KNN、SVM和决策树3种机器学习算法进行对比,结果表明,针对岩性识别问题,GBDT算法具有更高的精度,可以作为岩性识别的参考技术,具有一定的推广和应用价值。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
《矿物岩石地球化学通报》（CN：52-1102/P）是一本有较高学术价值的大型双月刊，自创刊以来，选题新奇而不失报道广度，服务大众而不失理论高度。颇受业界和广大读者的关注和好评。 《矿物岩石地球化学通报》的特点是：快速、新颖，信息量大、出版周期短、成果报道准确、科学价值突出，起到了作为学会与会员联系的桥梁作用，是学会会员学术活动的园地。
杂志详情
