总有机碳、孔隙度及总含气量等是页岩气"甜点"预测的重要参数。页岩气岩石物理模型作为页岩气"甜点"参数和地震及其衍生属性间正、反演的桥梁,其建模的准确性一直是制约"甜点"参数地震反演的关键。随机森林(RF)等数据驱动机器学习算法为这种复杂的岩石物理模型关系的建立提供了一种数据驱动手段。对于页岩气"甜点"参数这种连续数据的预测,常规数据驱动方法需要输入大量的特征变量。本文提出利用扩展弹性阻抗结合数学变换自动生成大量的扩展属性作为RF训练的特征变量。此外,针对页岩气"甜点"参数取值分布不平衡的问题,使用了合成少数类过采样技术来提高RF训练的稳定性。实际资料测试证实了新方法能够有效改善RF在页岩气"甜点"参数预测中的应用效果。