从随机森林到 XGBoost：物化探异常圈定究竟该用哪个模型

随机森林和 XGBoost 是化探异常圈定里出现频率最高的两个模型。我的核心判断只有一句：模型不是越新越好。手上数据长什么样，就该用什么模型；把四十个正样本喂给 XGBoost，图会比随机森林好看，但那是过拟合的好看，落到布孔上不认账。

这十几年里我既写过脚本，也评过别人的报告，见过的最常见的错，不是模型选错，而是标签没定清楚就开始比精度。术语第一次出现都会给一句白话，不必懂代码也能看完。

一、两者的地基差异

随机森林属于 Bagging。白话讲：同时种很多棵树，每棵树只看一部分样本、一部分特征，最终投票或者取平均。单棵树容易犯错，但很多棵树的错误互相抵消，所以结果稳。它靠“多树平均”降低方差，方差可以理解成“换个数据集结果晃不晃”。

XGBoost 属于 Boosting。白话讲：先种一棵树，看它错在哪儿，再种一棵专门补这个错，一棵接一棵往下补，再把所有的树按权重加起来。它靠“逐步纠错”降低偏差，偏差可以理解成“离真实答案差多远”。精度潜力比 Bagging 高，代价是最容易记住噪声。

这个差别直接决定使用场景。Bagging 是并联的，树与树互不知情，某一片区域的噪声很难被所有树同时学到；Boosting 是串联的，后一棵树盯着前一棵的残差猛补，样本少的时候，它会把“某个采样点碰巧见了矿”这种偶然事件当成规律反复强化。你看到的训练集精度 0.95、验证集掉到 0.6，多半就是这么来的。

XGBoost 还有一层隐形成本：参数多。学习率、树深、叶子最小权重、行采样、列采样、正则系数，每一个都能让结果变一个样。调参本身没错，错在很多人拿全量数据反复试，试到指标满意为止——这等于用测试集选模型，指标必然虚高。随机森林的参数少得多，默认值通常就能用，这也是它在工程上“便宜”的原因。

顺带说 SVM。白话讲：在高维空间里找一个最宽的“分界面”，把正负样本尽量分开。它适合特征多、样本少的情形，理论上对小样本友好；但三个问题让它在这类项目里不好用——对特征缩放极其敏感（化探各元素量纲差几个数量级，不标准化直接崩），概率输出要额外校准，样本上到上千以后训练慢。更关键的是它不给特征重要性，评审问“为什么这片红”，答不上来。小样本、特征已标准化、只想要一个分类结果时，SVM 可以拿出来当对照，别当主力。

一句话记这三种：随机森林靠平均求稳，XGBoost 靠纠错求准，SVM 靠间隔求分。稳和准是两条路，走哪条取决于你的数据撑不撑得住“准”。

二、地质数据的三道坎

第一道坎是样本少。一个矿带的正样本，几十个到一百多个是常态，跨省汇总也就几百。树的参数量是按“数据管够”设计的，样本一少，每棵树分到的正样本可能只有个位数，模型实际是在背样本，不是在学规律。这时候交叉验证也帮不了你：如果每折里正样本只有五六个，指标抖动比模型差异还大，AUC 差 0.05 完全可能是抽样造成的。

第二道坎是正负样本不平衡。化探工区动辄几千平方公里，真正见矿的点只占百分之一到五，负样本压倒性多。AUC 在这种数据上会虚高——白话讲，AUC 是“随机拿一个正样本和一个负样本，模型把正样本排在前面的概率”；负样本越多、越容易区分，AUC 越好看，可它不告诉你“排在最前面的那一小片准不准”。做靶区圈定的人真正关心的是前 10% 面积里命中多少，这个指标得单独算，叫召回率。

第三道坎是共线性。三十九种元素加上派生比值，元素之间相关系数 0.7 以上很常见，铜和钼、铅和锌经常一起动。树模型对共线性不敏感，分裂时随便挑一个用就行，精度不受影响；但特征重要性会被摊薄——同一份信息分给两个变量，两个看起来都不重要。你要是拿这张重要性表去写报告，说“铜不重要”，评审一眼就能挑出毛病。SHAP 也一样，白话讲 SHAP 是“把这个预测拆开，看每个特征各推了多少”，共线性下它会把贡献分给相关的几个特征，读起来像在说胡话。

三道坎叠在一起，结论很清楚：模型能不能用，先看数据够不够格；不够格的时候，换模型只是换一种错法。

还有一件事常被当成技术细节其实是数据问题：检出限。化探样品里大量元素低于检出限，表格里要么填 0，要么填一半检出限，要么干脆空着。三种处理方式会让同一份数据生成三个不同的模型，特征重要性排序也跟着变。填 0 最省事，也最容易把“低值区”教成“无矿区”；填半检出限是行业惯例，但必须在报告里写明；直接删列则会丢掉可能关键的指示元素。这几条规则在 找矿大数据 的清洗环节就该定死，而不是等建模时再回头改。

三、对比实验该怎么设计

要比两个模型，四个“同”必须做到：同一份数据、同一套特征、同一个切分、同一套评价口径。差一样，比较就没意义。很多报告里“XGBoost 比随机森林高 3 个点”，一问切分方式不一样，这个结论直接作废。

具体做法：固定随机种子；特征表一次做好，两个模型共用；切分用空间分块（下一节细说），不要用随机切分；随机森林用接近默认的参数（500 棵树）当基线；XGBoost 允许调参，但调参必须在训练折内部完成，用嵌套交叉验证，不能拿测试折反复试。

指标至少三个：AUC 看整体排序能力，召回率@前 10% 面积看业务效果，特征重要性稳定性看结论能不能写进报告。稳定性用不同折之间重要性排序的秩相关来衡量，秩相关就是“两次排序像不像”，1 是完全一致，0 是毫无关系。

实验记录比结果更值得留。至少写清五样：数据版本（哪一版清洗结果）、特征清单（一共多少个、怎么派生）、切分文件（哪些点属于哪一折，能复现）、参数与随机种子、运行时间。评审真要较真，翻的就是这几页；没有这几页，“高 3 个点”只是个说法。

还有个小坑：别在两张不同色标的图上比模型。同一个工区，两个模型出图时如果一版自动分了五级、另一版分了七级，人眼看上去“红得多”的那张会显得更好，其实跟精度没关系。统一分级方案再比，或者干脆只比表，不比图。

下面这张表是示例数据，非真实项目，只用来演示怎么读结果：

表1　随机森林、XGBoost、SVM 在同一份化探数据上的对比（示例数据，非真实项目）

这张表最值得看的不是 AUC 那一列，而是后两列的反向关系：XGBoost 的整体排序更好，可前 10% 面积里的命中反而低，特征重要性还从 0.86 掉到 0.62。翻译成人话——它把分数抬上去了，抬在了你不太需要的地方；而且换个折，最重要的特征就换人，这种结论没法写进报告。

四、什么时候选随机森林

我把门槛写成一句可以直接执行的话：正样本少于 100 个，直接用随机森林，别折腾 XGBoost。

这个数量级下，XGBoost 调参的收益基本被过拟合吃掉，而调参过程还引入额外的选择偏差。随机森林的默认参数在几十到一百个正样本上表现稳定，出图快，评审时还能拿特征重要性逐条解释——虽然会被共线性摊薄，但方向大体是对的，能撑住“为什么这片红”的追问。

具体适用情形我列几条，对上三条以上就别犹豫：正样本不到 100；特征是二三十到七八十个常规图层（化探、重磁、遥感蚀变信息提取、断裂缓冲、地层距离）；任务目标是“圈出可疑区”而不是精确排序；团队里没人专职调参；一周内要出图进报告；数据质量参差，有缺失值、有异常高值、年代不一致。

还有一个常被忽略的点：随机森林天生适合做“筛子”。先用它把明显不可能的区域筛掉，再对剩下的小区域做精细分析，这套流程在项目上比一次性追高精度实用得多。参数上也别乱调，树数五百上下就够，叶子最小样本量设小一点（三到五），让树能分出细节；真要限深度，代价是模型退化成一个大号决策树，反而不稳。

随机森林也会过拟合，只是过得比 Boosting 温和。典型症状是训练集 AUC 接近 1 而验证集不到 0.75，这时候先怀疑特征里有泄漏，而不是急着加树。

五、什么时候选 XGBoost

反过来，XGBoost 该上的时候也很明确：正样本三百个以上，特征工程做足，并且确实需要精确排序。

三百个以上不是拍脑袋——跨矿带汇总、多矿种合并、或者把矿化显示当弱标签扩样本之后，才可能到这个量级。到了这个量级，Boosting 降偏差的优势才显出意义：它能捕捉特征之间的组合效应，比如“某层位”加“距断裂特定距离”这种单看都不突出的组合，树模型串起来才抓得住。

适用情形：要在几十个候选区里排出前五个布孔，排序质量直接影响钱怎么花；愿意做嵌套交叉验证和 SHAP 解释，能说清每个靶区的分是怎么来的；有算力，也接受调参要花几天；数据里存在明显的非线性交互，而且你确信这些交互在地质上讲得通。

这里有个分寸要说清：XGBoost 高出来的那两三个点，只有在“决定先打哪个孔”的时候才值钱。如果项目只是要出一张区域异常图交给上级，多这两三个点没人看得出来，反而多了一堆解释不清的参数。

真要用，参数上有一条经验：小样本场景把复杂度往下压——树深三到四层，叶子最小权重调高，学习率降到 0.05 以下，配合早停，一次只加几十棵树。这样做的精度未必比默认参数高，但方差小得多，换折之后结果不会大跳。反过来，树深放到十层、学习率 0.3、不限叶子样本，训练集能刷到 0.99，验证集惨不忍睹。

六、什么时候都不该用

有三种情况，两个模型都不该用，硬上就是给自己埋雷。

正样本少于 50 个。这个量级下任何树模型都在记样本，交叉验证的五折里，每折可能只有十个正样本，指标没有统计意义。此时更诚实的做法是回到证据权重加地质规则：把“必须赋矿层位”“距断裂多少米内”“某元素组合达标”写成硬条件，人工圈定，报告里把依据列清楚。模型不是必需品，说不清的时候不上模型。

标签不可靠。正样本如果来自“见矿点”而不是“验证过的靶区”，或者把矿化显示、民采痕迹混进了正样本，标签本身就是错的。标签错了，模型越强越危险——它会把错误的标签学得更像，然后给你一张自信满满的热力图。我见过把老采坑当正样本的项目，圈出来的靶区全在老采坑周边，那不是预测，那是考古。

空间自相关没处理。化探采样点间隔常常是几百米到几公里，相邻点的元素含量高度相关。随机切分把相邻点分到训练集和测试集，模型等于提前看过答案，精度虚高，虚高幅度通常能到十个点上下（这是经验判断，不是我测出来的数）。处理不了自相关，就别谈精度。

另外提一句特征泄漏：拿人工圈定的异常边界当输入特征、拿后期补做的测井解释当早期特征，都是把答案提前喂给模型。这种错误在报告里最隐蔽，也最致命。

再补一类更常见的误用：跨区直接套模型。在一个矿区训练好的模型，搬到三百公里外另一个成矿带，特征分布全变了，精度掉一半算正常。想跨区用，先做特征分布对比，把不重合的特征剔掉，或者只迁移“空间关系类”特征（距断裂距离、层位距离这类），别把绝对含量搬过去。

七、验证方式比模型更重要

同一份数据、同一个模型，换一种切分方式，指标能差出一大截，差距往往比换模型还大。所以顺序应该是：先定切分，再谈模型。

随机切分是最常见也最错的做法。它假设样本互相独立，可地质样点根本不独立：相邻点的元素含量、地层、构造几乎一样，模型在训练集里见过了，测试集自然答得对。结果是交叉验证 AUC 0.9，换一个新区块做实际预测掉到 0.6。

空间分块切分才是地质数据该用的方式。做法是按构造单元、矿带或者规则网格把工区切成若干块，整块进训练或者整块进测试，绝不让相邻点跨在两边。块的大小不能拍脑袋，要大于自相关尺度——可以用半变异函数或者莫兰指数估一下，白话讲，莫兰指数就是衡量“邻近的点有多像”的指标。块太小，等于没分；块太大，测试样本又不够，一般取五到十块比较现实。

时间切分解决的是另一类问题：模型能不能预测未来。按勘查年度切，用早年数据训练、近年数据测试，模拟真实使用场景。这种方法在滚动更新的项目里很有价值，但要求数据本身有时间维度，很多老工区凑不出来。

三种切分对应三种问题：随机切分回答“能不能拟合”，空间分块回答“能不能推广到未知区”，时间切分回答“能不能预测下一步”。化探异常圈定要的是第二个答案，所以必须用空间分块。这一条比模型选择重要得多，也是评审最容易被问住的地方。

落地时还有两个细节。一是分块要跟地质单元对齐，能按矿带或构造单元切就别硬套规则网格，否则测试块里一半是已知矿、一半是无关背景，指标还是不可信。二是报告里必须把切分方式写出来，写清几块、块怎么划、每块多少样本。我审过的报告里，凡是只写“采用交叉验证、精度 0.9”而不写切分方式的，基本都要打回去重算。

八、一句话结论

先定标签，再谈模型。正样本怎么定义、负样本怎么选、切分怎么分，这三件事定完，模型选随机森林还是 XGBoost 只是收尾工作；这三件事没定，用哪个模型都是在给错误答案化妆。

如果一定要给一句可以直接执行的建议：正样本少于 100 个、只想圈可疑区、一周内要出图，用随机森林；正样本三百个以上、要在几十个候选区里排出布孔顺序、有人力和时间做嵌套验证与解释，才值得上 XGBoost；正样本不到 50 个或者标签本身站不住，两个都别用，回去把地质依据写清楚。