利用降维和机器学习高效识别宽吸收线类星体
星系天体物理
2024-06-04 v1
摘要
宽吸收线类星体（BALQSOs）显示出独特的蓝移宽吸收线。这些是揭示类星体复杂结构和演化、阐明超大质量黑洞对星系形成的深远影响的宝贵探针。LAMOST、SDSS和DESI等大规模光谱巡天的激增，使我们可用的类星体光谱库呈指数级增长。在本研究中，我们提出了一种创新方法，利用降维和机器学习算法简化BALQSOs的识别。我们的数据集来自SDSS DR16，将类星体光谱与来自DR16Q类星体目录的分类标签合并。我们采用了多种降维技术，包括主成分分析（PCA）、t分布随机邻域嵌入（t-SNE）、局部线性嵌入（LLE）和等距映射（ISOMAP），以提取原始光谱数据的精华。得到的低维表示作为一系列机器学习分类器的输入，包括XGBoost和随机森林模型。通过实验，我们发现PCA是最有效的降维方法，巧妙地平衡了降维与保留关键光谱信息之间的关系。值得注意的是，PCA与XGBoost分类器的协同融合在BALQSO分类任务中展现出最高效能，通过10折交叉验证达到了97.60%的准确率，在外部测试样本上达到了96.92%。本研究不仅引入了一种基于机器学习的新颖类星体分类范式，还为天文学领域中普遍存在的各种光谱分类挑战提供了可迁移的宝贵见解。
引用
@article{arxiv.2404.12270,
title = {Efficient Identification of Broad Absorption Line Quasars using Dimensionality Reduction and Machine Learning},
author = {Wei-Bo Kao and Yanxia Zhang and Xue-Bing Wu},
journal= {arXiv preprint arXiv:2404.12270},
year = {2024}
}
备注
17 pages, 6 figures, accepted for publication in PASJ