Usıng deep learnıng methods to classıfy lıthology wıth multı-label ımbalance data

Çeşitli araştırmalarda litolojileri tahmin etmek ve tespit etmek için jeologlar, derin öğrenme metodolojileri ve uygulamalarını kullanarak operasyonel masraflardan ve çalışma süresinden tasarruf edebilirler. Doğru veri işleme ve farklı jeolojik alanlardan toplanan veriler kullanılarak bilimsel araştırma yapılması bu sayede mümkün olmaktadır. Mevcut araştırmadaki dört litoloji verisi, çok sınıflı dengesizlik sorunları ve yüksek boyutluluk kullanılarak analiz edilmiş ve sınıflandırılmıştır. Modern veri analizinin karşılaştığı en büyük sorunlardan biri veri sınıflandırmasındaki dengesizliktir. Özellikle örtüşen sınıf dağılımlarının varlığı ve veri dengesizliği gibi diğer zorlayıcı faktörlerle birleştirildiğinde, sınıflandırmanın doğruluğu üzerinde önemli bir etkiye sahip olabilir. Birkaç sınıf söz konusu olduğunda, aralarındaki karşılıklı dengesizlik ilişkileri durumu daha da kötüleştirerek etkisini daha belirgin hale getirir. Ayrıca, yüksek boyutluluk sorunu aşırı uyum ve artan hesaplama karmaşıklığıyla sonuçlanabilir ve bunların her ikisi de sınıflandırma verimliliğini olumsuz etkileyebilir. Özyinelemeli Özellik Eliminasyonu (RFE), en değerli tahmine dayalı özellikleri bulmak için kullanılırken Sentetik Azınlık Aşırı Örnekleme (SMOTE), verileri yeniden örneklemek için kullanılır. Hibrit çok sınıflı DL sistemi dengesiz öğrenme yaklaşımını kullanmak bu sorunları çözme çözümümüzdür. Son olarak, birçok çalışma bölgesinde toplanan verilerin yorumlanmasına ilişkin kesin sınıflandırma ve hızlı yanıtlar vii sunarak, yeniliklerimizin jeolojik araştırmaların ilerlemesine katkıda bulunabileceğini düşünüyoruz.