基于监督学习和 N 体仿真的星团成员分析
星系天体物理
2024-09-25 v1
摘要
成员分析是研究星团的重要工具。已有多种方法用于成员确定，包括监督式和非监督式机器学习（ML）方法。我们采用监督式机器学习方法进行成员分析。我们在两个数据集上训练和测试 ML 模型：来自 N 体仿真的快照和来自 Gaia Data Release 3 数据的 21 个不同星团。我们探索了五种不同的 ML 模型：随机森林（RF）、决策树、支持向量机、前馈神经网络和 K 近邻。我们发现所有模型都产生了类似的结果，RF 略微表现更好。我们发现数据集中的类别平衡对于成功学习是可选的。分类精度强烈依赖于天文参数。光度参数的添加并不提高性能。我们没有发现分类精度与星团年龄、质量和半质量半径之间存在强相关性。相反，训练成员数较多的星团 generally 产生更好的结果。
引用
@article{arxiv.2407.19910,
title = {Cluster membership analysis with supervised learning and $N$-body simulations},
author = {A. Bissekenov and M. Kalambay and E. Abdikamalov and X. Pang and P. Berczik and B. Shukirgaliyev},
journal= {arXiv preprint arXiv:2407.19910},
year = {2024}
}
备注
Accepted for publication in A&A. 10 pages, 12 figures