确定矿产勘探标准是一项费时费力的工作,而且通常是一项经验任务,往往带有偏见,并局限于专家知识。为了用新的方法解决这个问题,我们使用数据驱动分析来进行预测,并提供关于Jacobina群(São Francisco克拉通)岩石中的金矿化的见解。输入变量为岩石物理参数(密度、磁化率和电导率)和x射线荧光分析获得的岩石地球化学数据。将基于随机森林算法的机器学习模型应用于岩芯矿化预测。用于算法训练的数据库使用Borderline-SMOTE技术进行平衡,以提供矿物状态参数中两类样品(即矿石和不含矿样品)的大致相同数量的样本。预测的质量通过不同的数据集(即训练、测试、单独的每个岩芯和所有样本)和参数进行评估。交叉验证训练的平均准确率为0.87,测试的平均准确率为0.91,所有样本的平均准确率为0.86。此外,该模型还允许我们估计输入变量对预测的重要性,并对其进行排序。通过光学和扫描电镜岩相分析,了解不同阶段矿物与金矿化的关系,验证了上结果。因此,这项工作中应用的技术有助于减少花在数据集成和解释上的时间,因为矿产勘探团队可以很容易地复制这种方法。