利用梯度提升决策树在CLAUDS+HSC-SSP中对恒星、星系与AGN的分类
星系天体物理
2021-04-14 v1 天体物理仪器与方法
摘要
将星表目标分类为恒星、星系或 AGN 是任何星系统计研究的关键部分。我们描述了为极深的 CLAUDS+HSC-SSP 数据集开发的二分类(星/星系)与多分类(星/星系/I型AGN/II型AGN)分类流水线。我们的方法使用梯度提升树(GBT)的 XGBoost 实现来训练模型集成,其以所有可用波段的光度、颜色、最大面亮度与有效半径为输入,并输出目标属于所考虑每一类的概率。在 时,我们的二分类星/星系模型的 AUC=0.9974,且在最大化样本加权 F1 分数的阈值处,选出了纯度为 99.7%、完备性为 99.8% 的星系样本。我们测试了该模型对训练期间所见更暗目标的泛化能力,发现若训练样本中的星系能代表目标样本中星系的红移与颜色范围,则约 1-2 星等的的外推对大多数应用是合理的。我们还利用一个小的 X 射线选源样本对该方法识别 AGN 的能力进行了探索性分析,发现其对 I 型 AGN 分类有前景,尽管对 II 型 AGN 表现较差。我们的结果证明 GBT 为大型天文成像巡天中星表目标的分类提供了一种灵活、鲁棒且高效的方法。
引用
@article{arxiv.2103.14199,
title = {Classifying Stars, Galaxies and AGN in CLAUDS+HSC-SSP Using Gradient Boosted Decision Trees},
author = {Anneya Golob and Marcin Sawicki and Andy D. Goulding and Jean Coupon},
journal= {arXiv preprint arXiv:2103.14199},
year = {2021}
}
备注
Accepted for publication in MNRAS