基于XGBoost算法的恒星/星系分类研究

• 作者: 张文辉 李超 林基明
• 来源期刊: 天文学报
• 学科: 地球科学
• 关键词: 恒星 基本参数,星系 基本参数,技术 测光,方法 数据分析
• 年，卷（期）: 2019,（2）
• 页码范围: 71-80
• 页数: 10页
• 分类号: P152
• 字数: 4192字
• 语种: 中文
• DOI: 10.15940/j.cnki.0001-5245.2019.02.016

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	林基明	桂林电子科技大学信息与通信工程学院	101	581	13.0	20.0
2	张文辉	桂林电子科技大学广西云计算与大数据协同创新中心	45	151	6.0	10.0
6	李超	桂林电子科技大学信息与通信工程学院	14	20	3.0	3.0