用新型基于PCA的回归分类器对射电噪和射电宁静类星体进行分类

类星体分类问题属于高度不平衡分类问题，因为射电噪（RL）类星体很罕见，仅占类星体总数的约10%。在这项工作中，我们使用斯隆数字巡天DR3数据集，并引入了一个基于PCA的回归流程，旨在最大化类别不平衡天文数据中稀有类的召回率。我们展示了一种有效的方法来识别数据集的关键特征，并应用主成分分析（PCA）进行降维。对于经PCA变换的SDSS-DR3数据集，前两个主成分解释了97%的观测方差。我们使用随机森林分类器（RFC）、新型基于PCA的平衡线性回归分类器（PBC）、集成SMOTE的随机森林分类器以及带阈值调优的XGBoost分类器对射电噪（RL）和射电宁静（RQ）类星体进行分类。RFC实现了92%的总体准确率，而PBC实现了62%的总体准确率。XGBoost实现了72%的总体准确率，集成SMOTE的RFC实现了85%的准确率。在所有分类方法中，RQ类星体都获得了更高的精确率。对于RL类，RFC的召回率为0.04，XGBoost的召回率为0.39，集成SMOTE的RFC的召回率为0.25，而PBC由于平衡逻辑回归实现了0.52的召回率。对于RL类，RFC和PBC的F1分数分别为0.08和0.19，而XGBoost实现了0.22的改进F1分数，但代价是降低了RL类的召回率。集成SMOTE的RFC在RFC和PBC的基础上实现了0.21的更好F1分数。分类器的总体结果指向数据集中RQ和RL类之间存在极端的类别不平衡。