EROS-2 和 MACHO LMC 数据集中改进的类星体探测方法
天体物理仪器与方法
2013-04-02 v1 机器学习
摘要
我们提出了一种基于提升版随机森林分类器的新方法，用于在 EROS-2 和 MACHO 数据集中识别类星体。我们使用了一组变异性特征，包括连续自回归模型的参数。我们证明了连续自回归参数在分类过程中是非常重要的判别因子。我们利用在 LMC 中发现的已知类星体创建了两个训练集（一个用于 EROS-2，一个用于 MACHO 数据集）。我们的模型在 EROS-2 和 MACHO 训练集上的准确率均约为 90% 的精确率和 86% 的召回率，提高了类星体探测中最先进模型的准确率。我们将该模型应用于完整的 EROS-2 和 MACHO LMC 数据集（包含 2800 万个天体），分别发现了 1160 个和 2551 个候选体。为了进一步验证我们的候选体列表，我们将列表与之前的 663 个已知强候选体进行了交叉匹配，结果显示 MACHO 的匹配率为 74%，EROS-2 为 40%。匹配水平的主要差异是因为 EROS-2 是一个略浅的巡天，这导致其光变曲线的信噪比显著较低。
引用
@article{arxiv.1304.0401,
title = {An improved quasar detection method in EROS-2 and MACHO LMC datasets},
author = {Karim Pichara and Pavlos Protopapas and Dae-Won Kim and Jean-Baptiste Marquette and Patrick Tisserand},
journal= {arXiv preprint arXiv:1304.0401},
year = {2013}
}