Título: Modelamento de Prospectividade de Cobre-Ouro na Província Mineral de Carajás utilizando Machine Learning: Lidando com dados Não-Balanceados
Resumo: No presente estudo, avaliamos os efeitos da Técnica de Sobreamostragem Sintética de Minorias (SMOTE) na modelagem de prospectividade de Cu-Au utilizando SVMs (Support Vector Machine) na província mineral de Carajás (Brasil).
A SMOTE auxilia o treinamento de modelos com dados desequilibrados, gerando amostras sintéticas que têm características similares às ocorrências minerais conhecidas. Os resultados mostram que o SMOTE pode aumentar significativamente o desempenho e a eficiência espacial do mapeamento de prospectividade mineral. Este último item citado apresenta naturalmente dados de treinamento desequilibrados, uma vez que o número de ocorrências de depósitos minerais conhecidos (como proxy da classe mineralizada ou positiva) é naturalmente muito menor do que o número de locais não mineralizados (a classe negativa). O uso de dados desequilibrados leva a dificuldades no treinamento de modelos de aprendizagem de máquinas, devido ao viés de aprendizagem em relação às características da classe predominante (ou seja, negativa).
Data: 17/11/2021
Horário: às 15h (Horário de Brasília)
Local: Transmitida através do YouTube no link.
Palestrante: Elias Martins Guerra Prado
Mais informações no link.
.png)
