数据驱动的岩体成矿属性分析具有独特优势,能够为成矿潜力评价提供理论支持,为矿床勘查提供新的方向。安徽省作为铜(金)矿产的重要产区,其铜(金)矿的形成与区内晚中生代岩浆岩密切相关。本文收集了1155条公开发表的全岩地球化学数据,基于这些数据构建了数据变量,并进一步通过支持向量机(SVM)、随机森林(RF)和前馈神经网络(FNN)三种机器学习模型,对成铜(金)矿和不成铜(金)矿岩体进行判别。通过模型的准确率提取了铜(金)矿的特征变量,发现大多特征变量与Sr、Rb、Th等元素及它们的比值有关。具体表现为,相对于铜(金)不成矿岩体,铜(金)成矿岩体具有Rb含量低、Sr含量高、Rb/Sr值低、Sr/Th和Sr/Yb值高的特点。利用机器学习模型对马厂、上腰铺、瓦屋刘、牌楼、周冲、茂林和仙霞这些晚中生代未知成矿属性的岩体进行了成矿潜力评价。结果显示马厂和上腰铺岩体成铜(金)矿潜力较高,而茂林、仙霞和牌楼岩体成铜(金)矿潜力较低,瓦屋刘和周冲岩体具有一定的成矿潜力。本次研究表明基于地球化学数据和机器学习建立的模型能够有效提取目标矿床的特征变量,并为成矿岩体的判别提供科学依据,为后续矿床勘探提供决策支持。相关机器学习代码已公开在GitHub上,链接地址为:https://github.com/liujmhf/geochemistry。