Key points are not available for this paper at this time.
الملخص تسعى خوارزميات التعلم الآلي الاستقرائية إلى التعرف على الأنماط في البيانات التجريبية وتعميمها. إنها تقدم وسيلة عملية للتنبؤ بالصخور، أو الميزات الفيزيائية المتغيرة مكانيًا، من مجموعات البيانات الجيوفيزيائية متعددة الأبعاد. لهذا السبب تزداد شعبية أساليب التعلم الآلي في استنتاج البيانات الجيوفيزيائية. الدافع الرئيسي لاستخدامها هو سهولة تقدير مقاييس عدم اليقين لخوارزميات عدم الاحتمالية. لقد قمنا بمقارنة وتقييم قدرات خوارزميتين من خوارزميات التعلم الآلي غير الاحتمالية، الغابات العشوائية (RF) وآلات الدعم الناقل (SVM)، للتعرف على تنبؤات التصنيف الخاضع للرقابة الغامضة باستخدام عدم اليقين المحسوب من تقديرات احتمالات الانتماء للفئات. لقد صاغنا طريقة لتحديد قيم عتبة عدم اليقين المثالية لتحديد وعزل أكبر عدد من التنبؤات الخاطئة مع الحفاظ على معظم التصنيفات الصحيحة. يتم توضيح ذلك باستخدام مثال حالة لتصنيف الصخور السطحية في منطقة مطوية ومعقدة هيكليًا ومتحولة. وجدنا أن (1) استخدام عتبات عدم اليقين المثالية يحسن بشكل ملحوظ من دقة التصنيف الشاملة لتنبؤات RF، لكن ليس لتنبؤات SVM، من خلال القضاء على أكبر عدد من العينات التي تم تصنيفها بشكل خاطئ مع الحفاظ على أكبر عدد من العينات المصنفة بشكل صحيح؛ (2) RF، على عكس SVM، كان قادرًا على الاستفادة من الاعتماد والهياكل الموجودة ضمن بيانات الإدخال المتغيرة مكانيًا؛ و (3) عدم اليقين العالي في تنبؤات RF يتزامن مكانيًا مع التحولات في الصخور ومناطق الاتصال المرتبطة، ومناطق التشوه الشديد. يمتلك عدم اليقين جوانب إيجابية في تحديد مناطق الاهتمام الجيولوجي الرئيسي وله تطبيقات واسعة عبر علوم الجيولوجيا، حيث تعتبر مناطق الانتقال فئات مهمة بحد ذاتها. التقنيات المستخدمة في هذه الدراسة لها قيمة عملية في تحديد أولويات أنشطة الحقل الجيولوجي اللاحقة، والتي، مع مساعدة هذه التحليلات، قد تركز على الاتصالات الرئيسية للصخور والمواقع الإشكالية.
دراسة كراكنيل وآخرون (الأربعاء) هذا السؤال.