一个监督的多类框架,用于对伊比利亚珠子的矿物质分类

科学领域:

• 考古学科学 考古学科学
• 材料科学 材料科学 材料科学
• 计算考古学 计算考古学

背景情况:

• 可靠的材料表征对于追踪来源和通过个人装饰来理解社交网络至关重要.
• 传统的分析技术昂贵,耗时,需要样本转移,限制实证数据收集.
• 需要有效的,非破坏性的方法来分析考古材料.

研究的目的:

• 开发基于机器学习的框架,用于预测个人装饰品中的珠型矿物质.
• 为培训和基准测试算法创建最大的伊比利亚人个人装饰的地化学数据集.
• 为传统矿物学分析提供一种成本效益和节省时间的替代方案.

主要方法:

• 编制了1243个伊比利亚个人装饰的数据集,将X射线光 (XRF) 组成数据与X射线衍射 (XRD) 矿物标签相结合.
• 训练并对13个监督机器学习算法进行基准测试,用于矿物预测.
• 开发和评估了两个葡萄牙考古集合 (Cova das Lapas和Gruta da Marmota) 的多类模型.

主要成果:

• 基于决策树的分类器表现出优异的性能,这是由于特定化学元素的区分重要性.
• 该框架成功预测了矿物阶段,与基于树的模型的决策逻辑保持一致.
• 确定了与使用合成数据用于失衡相关的风险,并突出了限制性类系统的局限性.

结论:

• 开发的机器学习方法有效地帮助在没有具体分析的情况下进行矿物质分类.
• 该框架节省了时间,并允许对模型预测进行透明评估,增强了考古研究工作流程.
• 一个基于Python的,可重复使用的框架是公开的,促进更广泛的采用和减少材料分析的不确定性.