Одно из направлений повышения эффективности поисковых работ – выявление скрытых многомерных закономерностей в геохимических данных. Для обработки и интерпретации результатов геохимических работ, прогнозирования перспективных типов минерализации Эвотинского золоторудного района (Центральный Алдан) использован алгоритм машинного обучения Support Vector Machine (SVM). Выполнена оценка возможности обнаружения пинигинского (сульфидно-арсенидная минерализация в метабазитах), эльконского (золото-урановый), лебединского (скарновый в карбонатах) и морозкинского (золото-порфировый) геолого-промышленных типов золоторудной минерализации. Применен метод опорных векторов (Support Vector Machine, SVM) – алгоритм, эффективный для работы с данными высокой размерности и поиска сложных нелинейных зависимостей. Исходными данными были результаты литогеохимического опробования на участках Амутканский и Перевальный. Предварительная статистическая обработка этих данных включала Z-нормализацию, фильтрацию, исключение аномальных значений, логарифмирование и выявление «рудных» геохимических ассоциаций с помощью корреляционного, кластерного и факторного анализов. Анализ схожести прогнозируемых объектов проведен с применением персентильного анализа и расчетом средней схожести и косинусной меры сходимости распределений. Результаты показали высокую перспективность выявления минерализации пинигинского типа на участке Перевальный, умеренную – эльконского и пинигинского типов на Амутканском участке, и низкую – лебединского и морозкинского типов на обоих участках. Исследование демонстрирует, что современные алгоритмы машинного обучения, такие как SVM, способны эффективно выявлять сложные, неочевидные связи в многомерных геохимических данных, трансформируя их в структурированную прогнозную информацию. Полученные результаты имеют практическое применение и подчеркивают целесообразность использования алгоритмов машинного обучения при геохимических поисках месторождений полезных ископаемых.