基于XGBoost算法的恒星/星系分类研究

论文摘要

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.

论文目录

• 1 引言
• 2 斯隆数字巡天
• 3 提升算法
•   3.1 GBDT原理
•   3.2 XGBoost原理
• 4 实验测试
•   4.1 数据集介绍
•   4.2 实验分析
•     4.2.1 特征重要性测试
•     4.2.2 XGBoost模型优化
•     4.2.3 实验方法及模型对比
• 5 总结与展望

文章来源

类型: 期刊论文

作者: 李超,张文辉,林基明

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

来源: 天文学报 2019年02期

年度: 2019

分类: 基础科学

专业: 天文学

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

基金: 广西云计算与大数据协同创新中心,广西高校云计算与复杂系统重点实验室项目(编号1716)资助

分类号: P152

DOI: 10.15940/j.cnki.0001-5245.2019.02.016

页码: 73-82

总页数: 10

文件大小: 290K

下载量: 269