天文暂现源机器学习分类中的特征相关性分析
天体物理仪器与方法
2016-02-29 v1
摘要
当前及未来巡天（多波段与多历元）数据的利用需要广泛使用自动方法进行数据处理与解释。本工作中，我们利用取自Catalina Real Time Transient Survey (CRTS)的数据，研究了若干经过充分验证的方法：Random Forest、MLPQNA（Multi Layer Perceptron with Quasi Newton Algorithm，多层感知机拟牛顿算法）和K-Nearest Neighbors的分类性能，并特别关注特征选择阶段。为此，进行了若干分类实验，即：激变变星的识别、银河系与河外天体的区分以及超新星的识别。
引用
@article{arxiv.1601.03931,
title = {An analysis of feature relevance in the classification of astronomical transients with machine learning methods},
author = {Antonio D'Isanto and Stefano Cavuoti and Massimo Brescia and Ciro Donalek and Giuseppe Longo and Giuseppe Riccio and Stanislav G. Djorgovski},
journal= {arXiv preprint arXiv:1601.03931},
year = {2016}
}
备注
Accepted by MNRAS, 11 figures, 18 pages