磁铁矿广泛分布在岩浆、热液及沉积等各类矿床中,其地球化学元素组成往往受温度、氧逸度等物理化学条件的影响,对矿床形成环境并指示矿床成因类型具有重要意义。由于矿床成因类型的多样性以及同一类型矿床磁铁矿的主微量元素组成的复杂性,以往基于少数磁铁矿的主微量元素构建的矿床成因类型判别图存在一定的局限性。基于此,本研究收集了前人发表在国内外期刊上的主要矿床类型的磁铁矿的元素地球化学数据(7730条),初步构建了基于电子探针(EPMA)和激光剥蚀-电感耦合等离子体质谱(LA-ICP-MS)磁铁矿元素地球化学数据集,按不同矿床划分训练集和测试集,建立了基于随机森林算法的矿床成因分类模型,并对磁铁矿主微量元素在矿床成因分类中的重要性做出排序。研究结果表明基于磁铁矿大数据和机器学习算法构建的判别模型,能有效区分主要矿床类型,分类准确率最高可达80%,且基于LA-ICP-MS磁铁矿数据集的分类模型精度比基于EPMA数据集的更高,也发现V元素在分类过程中起到了较为重要的作用。