| 基于XGBoost算法的恒星/星系分类研究 |
| |
| 引用本文： | 李超,张文辉,林基明.基于XGBoost算法的恒星/星系分类研究[J].天文学报,2019(2). |
| |
| 作者姓名： | 李超 张文辉 林基明 |
| |
| 作者单位： | 桂林电子科技大学信息与通信工程学院;桂林电子科技大学认知无线电与信息处理教育部重点实验室;桂林电子科技大学广西云计算与大数据协同创新中心;桂林电子科技大学广西高校云计算与复杂系统重点实验室 |
| |
| 摘 要： | 机器学习在当今的诸多领域已经取得了巨大的成功.尤其是提升算法.提升算法适应各种场景的能力较强、准确率较高,已经在多个领域发挥巨大的作用.但是提升算法在天文学中的应用却极为少见.为解决斯隆数字巡天(Sloan Digital Sky Survey,SDSS)数据中恒星/星系暗源集分类正确率低的问题,引入了机器学习中较新的研究成果–XGBoost (eXtreme Gradient Boosting).从SDSS-DR7 (SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源集和暗源集.首先,分别对亮源集和暗源集使用十折交叉验证法,同时运用XGBoost算法建立恒星/星系分类模型;然后,运用栅格搜索等方法调优XGBoost参数;最后,基于星系的分类正确率等指标,与功能树(Function Tree, FT)、Adaboost (Adaptive boosting)、随机森林(Random Forest, RF)、梯度提升决策树(Gradient Boosting Decision Tree, GBDT)、堆叠降噪自编码(Stacked Denoising AutoEncoders, SDAE)、深度置信网络(Deep Belief Network, DBN)等模型进行对比并分析结果.实验结果表明:XGBoost在暗源分类中要比功能树算法的星系分类正确率提高了将近10%,在暗源集的最暗星等中比功能树提高了将近5%.同其他传统的机器学习算法和深度神经网络相比, XGBoost也有不同程度的提升.
|
| 本文献已被 CNKI 等数据库收录！ |
|
