Highlights
决策树
基于 python 软件构建决策树算法模型对二条带数据集进行断层、陷落柱识别，实验结果表明决策树在该数据集上模型分类识别准确率为 0.932，利用该算法模型对二条带矿区的地质构造进行预测后的预测结果如图 3.2 所示。虽然决策树算法已经对数据集做了预剪枝处理，但是模型仍存在一定的过拟合现象，泛化性能比较差。
逻辑回归
正则化后的模型准确率的确有一定的提升，但是模型预测准确率仍然只有为 0.707，且从图 3.4 可以看到，经过前期的模型训练，该算法模型仍无法对断层、陷落柱等地质异常体做出较为准确的识别及预测，分类效果较差。
梯度提升树
随机森林
为了准确识别复杂岩性，本文提出了一种基于任务驱动数据挖掘的自组织特征图神经网络。为解决复杂储层识别问题，采用决策树和支持向量机建立流体预测模型。同时采用遗传、网格和二次等优化算法对C-SVC和υ-SVC的重要参数C、υ和γ进行优化，提高预测模型的分类性能和泛化能力的支持向量机。将精细解释的结论与岩心分析资料和试井资料进行对比。从而使复杂岩性储层识别准确率达到90%以上。