基于机器学习的4XMM-DR9源分类

欧空局（ESA）的 X 射线多镜面任务（XMM-Newton）创建了 XMM-Newton 偶遇源星表的新高质量版本 4XMM-DR9，它为观测源提供了丰富的信息。将 4XMM-DR9 星表与斯隆数字巡天（SDSS）DR12 测光数据库和 ALLWISE 数据库进行关联，我们得到具有 X 射线、光学和/或红外波段信息的 X 射线源，并获得 XMM-WISE 样本、XMM-SDSS 样本和 XMM-WISE-SDSS 样本。基于 SDSS 和 Large Sky Area Multi-object Fiber Spectroscopic Telescope（LAMOST，大天区面积多目标光纤光谱望远镜）的大型光谱巡天，我们将 XMM-WISE-SDSS 样本与已知光谱类型的源进行交叉匹配，获得恒星、星系和类星体的已知样本。给出了恒星、星系和类星体以及恒星所有光谱类型在二维参数空间中的分布。将各种机器学习方法应用于来自不同波段的不同样本，保留分类效果较好的结果。对于来自 X 射线波段的样本，旋转森林分类器表现最佳。对于来自 X 射线和红外波段的样本，随机森林算法优于所有其他方法。对于来自 X 射线、光学和/或红外波段的样本，LogitBoost 分类器显示出其优越性。因此，4XMM-DR9 星表中具有不同输入模式的所有 X 射线源均由这些最佳方法创建的相应模型进行分类，并为各个 X 射线源分配了归属类别及归属概率。分类结果将对进一步更详细地研究 X 射线源具有重要价值。