构建校准的概率分类星表：在全天自动巡天中 5 万个变源的应用

随着同步巡天数据量的增长，天文学家必须更多地从发现和内省过程中抽象出来。鉴于后续观测资源的稀缺，取代这些人类角色的框架面临着提供准确且校准良好的概率分类星表的特别严峻的责任。此类星表可为后续观测提供信息，使使用者能够优化特定源的选择以进行进一步研究，并允许对种群研究中的纯度和效率进行严格处理。在此，我们描述了一种利用机器学习从多历元测光巡天中生成变异性概率分类星表的过程。除了生成准确的分类外，我们还展示了如何估计校准后的类别概率，并论证了概率校准的重要性。我们还引入了一种基于特征的异常检测方法，该方法允许发现巡天中不符合预定义类别分类学的天体。最后，我们将这些方法应用于全天自动巡天 (ASAS) 观测到的源，并发布了机器学习 ASAS 分类星表 (MACC)，这是一个包含 50,124 个 ASAS 源的 28 类概率分类星表。我们估计 MACC 的分类错误率低于 20%，并证明类别后验概率得到了合理校准。MACC 的分类结果优于几篇先前特定领域的 ASAS 论文以及《ASAS 变星星表》的分类结果，后者仅将其中 24% 的源分类为 12 个科学类别之一。MACC 可在 http://www.bigmacc.info 公开获取。