基于随机森林(Random Forest)机器学习算法的变源3XMM星表自动分类
天体物理仪器与方法
2015-09-15 v1 高能天体物理现象
摘要
在大型巡天与海量数据集的当前时代，利用智能算法对天体物理源进行自动分类正变得日益重要。本文呈现了利用随机森林(Random Forest)机器学习算法对第三版XMM-Newton偶遇源星表(3XMM)中的变源进行自动分类的星表。我们使用来自XMM-Newton星表第二次数据发布(2XMMi-DR2)的手动分类变源样本来训练分类器，获得了约92%的准确率。我们还利用一组伪探测样本评估了识别虚假探测的有效性，达到了约95%的准确率。对分类源随机样本的手动核查证实了这些准确率水平，并表明随机森林(Random Forest)机器学习算法在自动分类3XMM源方面非常有效。在此我们呈现已分类的3XMM变源星表。我们还呈现了三个先前未识别的异常源，它们被算法标记为离群源：一个新的超巨星快变X射线暂现源候选体、一个400秒X射线脉冲星，以及一个与已知造父变星重合的5小时掩食双星系统。
引用
@article{arxiv.1509.03714,
title = {Autoclassification of the Variable 3XMM Sources Using the Random Forest Machine Learning Algorithm},
author = {Sean A. Farrell and Tara Murphy and Kitty K. Lo},
journal= {arXiv preprint arXiv:1509.03714},
year = {2015}
}
备注
Accepted for publication in Astrophysical Journal