在地学智能化应用中，很多分类任务都会遇到同一个现实问题： 泥岩样本特别多，砂岩或优质储层样本很少； “非储层”占绝大多数，“储层”只占一小部分； 甚至某些关键岩性（如胶结强的白云岩、特定相带的细粒岩）样本数量极少。 这会导致一个典型现象： 模型 Accuracy 看起来不低，但关键类别（少数类）几乎识别不出来。或者你把 Recall 拉高了，误报（Precision 下降）又变得很严重。 这一篇文章专门讲清楚： 什么是类别不平衡，为什么地学里普遍存在； 它会对模型和指标造成什么影响； 常见的处理方法有哪些； 在岩性…

在上一篇文章里我们谈了过拟合、欠拟合和交叉验证。很多读者在实际建模时还会遇到另一个非常常见的问题： 我跑出来很多指标：R²、RMSE、MAE、Accuracy、Precision、Recall、F1……到底该看哪个？哪个指标才真正能反映模型是否“可用”？ 这篇文章的目的，就是把评价指标讲清楚，并给出一套更贴合地学场景的选择建议。 一、先统一一个原则：指标是为“业务目标”服务的 评价指标不是越多越好，而是要回答一个问题： 在我的地学任务里，“什么错误最不能接受”？我更关心漏判，还是误判？我更关心整体趋势，还是极端值？…

在前面的文章里，我们已经把“回归与分类”的基本概念跑通了，也强调了数据预处理与特征工程的重要性。接下来，一个更关键、也更容易踩坑的问题是： 模型在训练集上表现很好，这到底意味着什么？它是真的学到了“可泛化的地质规律”，还是只是“记住了训练数据”？ 这一篇我们就系统讲清楚三件事： 过拟合与欠拟合是什么； 如何在地学数据上识别它们； **交叉验证（Cross-Validation）**为什么是更稳健的评估方式，以及怎么用。 一、先把概念说清楚：过拟合 vs 欠拟合 1. 欠拟合（Underfitting）：模型太“简单…

在前几篇文章里，我们已经用孔隙度回归和岩性分类的小案例，走了一遍“从数据到模型”的基本流程。很多读者会有一个自然的问题： 我有很多曲线和地质解释，为什么一上来就建模，效果总是不稳定？模型之前，我究竟应该先对数据做些什么？ 这一篇，就从地学人的视角，系统梳理一下： 为什么数据预处理至关重要？ 常见的测井 / 地球化学数据都有哪些“坑”？ 什么是特征工程？ 如何构造对模型有帮助、又符合地质直觉的特征？ 一、为什么“数据 > 模型”？先统一一个认识 在工程实践里，一个常见误区是： 先纠结用什么模型（SVM、RF、X…

在前两篇文章中，我们简单介绍了 监督学习的基础，并解释了回归和分类任务。接下来，我们将通过具体的案例来展示如何将这些机器学习方法应用到地学数据中。我们会分别进行 孔隙度回归 和 岩性分类，一步步讲解从数据准备到模型评估的整个流程，让你了解机器学习如何在实际地学问题中发挥作用。 一、实际数据介绍 我们会使用两组常见的测井数据： 孔隙度回归：我们将使用一组多口井的测井数据，预测孔隙度。 岩性分类：我们将利用相同井的测井数据，对岩性进行分类。 数据准备 假设你已经有了如下数据集： 孔隙度回归（目标变量是孔隙度）：每口井的…

一、什么是监督学习？先用“做题”类比一下 监督学习 的核心特点是： 每个样本都有一个“标准答案”（标签），模型通过大量“带答案的题目”来学习规律。 地学里常见的“题目 + 答案”例子： 某个深度点： 题目：GR、RT、DEN、AC 等测井曲线数值 答案：该处岩性 = 砂岩 / 泥岩 / 灰岩 / 混合细粒岩（分类问题） 某个岩心段： 题目：测井响应 + 地球化学指标 答案：实验测得孔隙度、渗透率（回归问题） 模型的目标： 给它一堆“题目 + 标准答案”，它自己总结出“解题规律”； 以后再给它没有答案的新题，它也能给…

正文 在过去几年里，“人工智能（AI）”“机器学习”“深度学习”这些词越来越频繁地出现在地球科学领域：有人用它做测井曲线预测，有人用它做岩性识别，也有人用它做甜点评价、地震属性分析、稀土元素聚类…… 但对很多地质人来说，AI 既熟悉又陌生： 知道它“很厉害”， 用过别人打包好的模型， 真要自己从零开始做一个项目，又会有点无从下手。 这篇文章作为 AiGeoTech「AI基础与方法」栏目的总览，希望先回答几个最基本的问题： 我们到底在学什么？AI 在地学里具体能干什么？一套完整的 AI 工作流程长什么样？ 一、AI、…