千平方度巡天第三数据释放中的类星体目录

我们呈现一份从千平方度巡天第三数据释放（KiDS DR3）宽波段测光 ugri 数据中筛选的类星体目录。这些 QSO 由在 SDSS DR14 光谱数据上训练的监督式机器学习模型随机森林（RF）识别。我们首先清理输入的 KiDS 数据，剔除噪声过大、缺失或有其他问题的条目。通过特征重要性分析，我们随后调优算法，并在 KiDS 多波段目录中确定了用于分类的 17 个最有用的特征，即星等、颜色、星等比以及恒星性指数。我们使用 t-SNE 算法将多维测光数据映射到二维平面，并比较训练集与推断集的覆盖情况。我们将推断集限制在 r<22 以避免超出训练所覆盖特征空间的外推，因为 SDSS 光谱样本比 KiDS 浅得多。这给出了最终推断样本中的 340 万个天体，随机森林从中识别出 19 万个类星体候选体。从 SDSS 提取且未用于训练的测试集得出的 97% 准确率、91% 纯度和 87% 完备性，通过与 KiDS 视场内重叠的外部光谱与测光 QSO 目录比较得到确认。我们的结果鲁棒性由类星体候选体在 r 波段的数目计数以及其来自 WISE 的中红外颜色所加强。对我们 QSO 候选体中也见于 Gaia DR2 的视差与自行的分析表明，p(QSO)>0.8 的概率截断对纯度最优，而 p(QSO)>0.7 对更好完备性更可取。我们的研究呈现了从深场高质量 KiDS 数据的首次全面类星体筛选，并将作为该巡天探测到的 QSO 族群多方面研究的基础。