多种机器学习方法对 Fermi-LAT 未认证源的分类

使用多种机器学习（ML）方法研究了 Fermi-LAT 未认证源的分类。来自 4FGL-DR3 的更新数据被划分为高银纬（HGL，银纬 $|b|>10^\circ$）和低银纬（LGL，$|b|\le10^\circ$）区域。在 HGL 区域，四个二分类 ML 分类器的投票集成取得了 91$\%$ 的平衡准确率。在 LGL 区域，引入一个带三个参数的额外贝叶斯-高斯（BG）模型，以从训练集和 ML 识别的 AGN 候选中剔除异常软谱 AGN，四个三分类 ML 算法的投票集成达到了 81$\%$ 的平衡准确率。随后，构建了 Fermi-LAT 全天空未认证源星表。我们的分类结果显示：（i）HGL 区域有 1037 个 AGN 候选和 88 个脉冲星候选，平衡准确率为 $0.918 \pm 0.029$，与先前全天空 ML 方法给出的结果一致；（ii）LGL 区域有 290 个类 AGN 候选、135 个类脉冲星候选和 742 个其他类候选，平衡准确率为 $0.815 \pm 0.027$，不同于先前全天空 ML 方法中的结果。此外，测试了不同训练集和类权重对分类器准确率及预测结果的影响。研究结果表明，尽管不同训练方法可产生相似的模型准确率，但不同类别的预测数量可能差异显著。因此，在 Fermi-LAT 未认证源的 ML 方法中，对预测结果的可靠评估至关重要。