一种用于星系-大尺度结构分类的机器学习方法 I：晕并合树上的印记

宇宙网在星系的形成与演化中扮演主要角色，并在很大程度上决定了它们的性质。然而，星系与环境之间的关系仍未被很好理解。在此我们提出一种机器学习方法来研究环境效应对晕质量聚集的印记。我们提出一个基于对环境敏感的星系性质的星系-大尺度结构机器学习分类器。然后我们使用该分类器评估每个性质的相关性。星系性质与其宇宙环境之间的相关性可用于以 $93\%$ 的准确率预测星系属于空穴/壁或纤维/团簇的成员资格。我们的研究揭示了编码于晕性质中的环境信息，这些性质通常不被认为直接依赖于宇宙环境，例如并合历史和复杂性。理解宇宙网印记于晕中的物理机制可显著改进星系形成模型。这通过从星系性质和并合树中提取特征、计算每个特征的特征分数，然后将支持向量机应用于不同特征集来完成。为此，我们发现并合树的形状和深度、星系的形成时间和密度与宇宙环境强相关。我们描述了通过对特征向量计算的距离矩阵进行 LU 分解并将分解输出作为支持向量机的输入向量，对原始分类算法的显著改进。