磁铁矿是一种可靠的勘探指示矿物，能够记录岩石形成过程，区分矿床类型。用于矿床类型预测的二元判别图的精确性存在一定的局限性（预测精度约40%）。本研究旨在利用磁铁矿的地球化学组成，确定最优的预测性监督多元分类方法，为行业和政府提供通用的矿产勘查模式。在筛选的约30 k磁铁矿分析综合数据库中，再次选择了约17 k观测资料进行研究。这些数据来自9种主要矿床类型（BIF、Fe-Ti、IOCG、IOA、Ni-Cu-PGE、斑岩、VMS、矽卡岩、V）的303个不同矿床，以及不同类型的非矿化岩石（围岩）。基于这些数据集，在两个开源统计平台中（Orange和R）测试了3种最具潜力的监督机器学习算法（朴素贝叶斯，k-最近邻，随机森林）。对于未转换数据，随机森林算法的结果最优，在Orange和R平台的预测精度分别为0.80和0.81。在IOCG类矿床、斑岩铜金和铜矽卡岩矿床、斯堪的纳维亚镍-铜-铂族金属矿床这三个案例研究中使用了随机森林算法。该模型能够有效地预测前两个斑岩/IOCG/矽卡岩大类的矿床类型。对于第三个案例研究，近61%的观测结果被正确识别为属于镍-铜-铂族金属矿床。因此，该随机森林模型的精度足够用于矿产勘探。