使用 CatBoost 梯度提升决策树对 Fermi-LAT 未证认伽马射线源进行分类
高能天体物理现象
2023-04-03 v1 宇宙学与河外天体物理
天体物理仪器与方法
摘要
最新的 -LAT 伽马射线星表 4FGL-DR3 呈现了很大一部分未与已知对应体明确关联的源，即未证认源（unIDs）。在本文中，我们旨在使用机器学习算法对它们进行分类，这些算法以已证认源的光谱特征训练，以预测未证认源总体的类别。借助基于梯度提升决策树的最先进 算法，我们能在 23 类数据集上达到 67% 的准确率。移除其中一类——类型不明的耀变体——将准确率提升至 81%。若仅关注 AGN/脉冲星的二分类，模型准确率可提升至 99%。此外，我们在已知与未证认源总体中进行无监督搜索，并尝试在不知其类别先验的情况下预测相似源的簇数。用于全部计算的全部代码以交互式 Python notebook 形式提供。
引用
@article{arxiv.2207.04725,
title = {Classification of Fermi-LAT unidentified gamma-ray sources using CatBoost gradient boosting decision trees},
author = {Javier Coronado-Blázquez},
journal= {arXiv preprint arXiv:2207.04725},
year = {2023}
}
备注
8 pages, 8 figures. Matches the accepted MNRAS version