利用机器学习回归技术估计星系与类星体的测光红移

测量星系、恒星和类星体等宇宙学源的距离在现代宇宙学中起着日益关键的作用。获取光学光谱并由此计算红移作为距离指标,可即时对这些天体进行分类。由于许多星系尚无可用的光谱观测,且红移测量过程耗时且对大样本不可行,机器学习(ML)方法可被用于依据包括测光颜色在内的不同特征来确定星系红移。本文利用斯隆数字巡天(SDSS)星表中的流量星等,开发了两种 ML 回归算法(决策树与随机森林)来估计红移,以颜色指数为输入特征。我们发现随机森林算法对红移预测给出了最优结果,且当数据集限定于 z $\le$ 2 的子集时结果进一步改善,归一化标准差 $\overline{\Delta Z}_{\text {norm}}=0.005$,标准差 $\sigma_{\Delta z}=0.12$。本工作展示了利用 ML 方法确定遥远源测光红移的巨大潜力。