کامران مصطفائی

پژوهش حاضر به مقایسه روش‌های آماری سنتی و روش‌های مبتنی بر یادگیری ماشین در تعیین آنومالی‌های ژئوشیمیایی می‌پردازد. روش‌های آماری کلاسیک مانند تحلیل آماری تک‌متغیره و چندمتغیره (مانند روش‌های مبتنی بر توزیع نرمال و شاخص‌های پراکندگی) در مقایسه با الگوریتم‌های یادگیری ماشین (شامل مدل‌های نظارت‌شده مانند جنگل تصادفی و ماشین بردار پشتیبان و مدل‌های نظارت‌نشده مانند خوشه‌بندی) مورد ارزیابی قرار گرفتند. نتایج نشان می‌دهد که روش‌های یادگیری ماشین به‌ویژه در داده‌های با ابعاد بالا، روابط غیرخطی و ساختارهای پیچیده، از قابلیت تشخیص دقیق‌تر و انعطاف بیشتری برخوردارند، درحالی که روش‌های آماری در شرایط ساده‌تر و با فرضیه‌های مشخص از پایداری و سادگی بیشتری برخوردارند. با این حال، انتخاب روش بهینه به ماهیت داده‌ها، اهداف مطالعه و ملاحظات عملی مانند در دسترس بودن داده‌های آموزشی و توان محاسباتی بستگی دارد. این مقایسه می‌تواند راهنمای مناسبی برای پژوهشگران در انتخاب روش مناسب برای شناسایی آنومالی‌های ژئوشیمیایی براساس نیازهای خاص هر مطالعه باشد.