危险近地天体探测的增强预测建模：行星风险评估中高级重采样策略与机器学习算法的比较分析
地球与行星天体物理
2025-08-22 v1 天体物理仪器与方法
人工智能
机器学习
摘要
本研究通过一个包含数据缩放、幂变换和交叉验证的二分类框架，评估了多种机器学习模型在预测危险近地天体（NEO）方面的性能。比较了六种分类器，即随机森林分类器（RFC）、梯度提升分类器（GBC）、支持向量分类器（SVC）、线性判别分析（LDA）、逻辑回归（LR）和 K 最近邻（KNN）。RFC 和 GBC 表现最佳，两者的 F2 分数分别高达 0.987 和 0.986，且变异性极小。SVC 紧随其后，分数为 0.896，较低但尚可。LDA 和 LR 表现中等，分数分别约为 0.749 和 0.748，而 KNN 由于难以处理复杂数据模式，表现较差，分数为 0.691。RFC 和 GBC 还呈现出极佳的混淆矩阵，假阳性和假阴性数量可忽略不计，从而获得了 99.7% 和 99.6% 的出色准确率。这些发现突显了集成方法在实现高精度和高召回率方面的能力，并进一步指出了根据数据集特征和所选评估指标进行定制化模型选择的重要性。未来的研究可侧重于通过高级特征工程优化超参数，以进一步提高 NEO 危险预测模型的准确性和鲁棒性。
引用
@article{arxiv.2508.15106,
title = {Enhanced Predictive Modeling for Hazardous Near-Earth Object Detection: A Comparative Analysis of Advanced Resampling Strategies and Machine Learning Algorithms in Planetary Risk Assessment},
author = {Sunkalp Chandra},
journal= {arXiv preprint arXiv:2508.15106},
year = {2025}
}