利用机器学习估计射电选源数据集中的星系红移

全天空射电巡天将以新发现革新该领域。然而，数千万个射电星系中的绝大多数将不具备大量科学研究所需的光谱红移测量。在此，我们评估了从射电选源巡天中估计星系红移的技术。利用在红外和光学波段具有宽带测光的射电选样本，我们测试了k近邻(kNN)和随机森林机器学习算法，并以回归和分类两种模式分别进行测试。此外，我们测试了kNN算法所使用的不同距离度量，包括标准欧氏距离、马哈拉诺比斯距离，以及用于回归模式（核回归度量学习度量）和分类模式（大间隔近邻度量）的学习距离度量。我们发现所有基于回归的模式在红移 $z > 1$ 的星系上均失效。然而，在此范围以下，使用马哈拉诺比斯距离度量的kNN算法表现最佳，$\eta_{0.15}$ 离群率为5.85%。在分类模式中，使用马哈拉诺比斯距离度量的kNN算法同样表现最佳，$\eta_{0.15}$ 离群率为5.85%，并正确地将74%的星系归入顶部 $z > 1.02$ 区间。最后，我们还测试了在一个场中训练并将训练好的算法应用于另一场的相似数据的效果，发现场间差异不会导致预测红移在统计上显著的差异。重要的是，我们发现尽管可能无法预测高红移射电源的持续数值，但可以利用现有技术的分类模式识别出其中的大多数。