利用机器学习评估Fermi BCU的光学分类
高能天体物理现象
2019-03-06 v1
摘要
在 Fermi-LAT 探测到的活动星系核第三目录（3LAC）Clean Sample中，有402个类型不明的耀变体候选体（BCU）。由于天文观测或内禀性质的限制，利用光学光谱对耀变体分类十分困难。利用机器学习算法对BCU进行潜在分类至关重要。基于3LAC Clean Sample，我们收集了1420个Fermi耀变体，具有8个参数：γ射线光子谱指数、射电流量、流量密度、曲线显著性、100至300 MeV、0.3至1 GeV、10至100 GeV的积分光子流量以及变率指数。此处，我们应用4种不同的监督机器学习（SML）算法（\emph{决策树、随机森林、支持向量机和Mclust高斯有限混合模型}）基于直接观测性质评估BCU的分类。所有4种方法均表现极佳，具有更高精度并能有效预测Fermi BCU的分类。评估结果表明这些方法（SML）的结果有效且稳健，其中在400个BCU中约1/4为FSRQ、3/4为BL Lac，与其他近期结果一致。尽管多种因素影响了SML的准确性，结果在FSRQ与BL Lac固定比例1:3下稳定，表明SML可提供评估BCU潜在分类的有效方法。在4种方法中，Mclust高斯混合模型对我们的训练样本（4/5，seed=123）具有最高精度。
引用
@article{arxiv.1902.07717,
title = {Evaluating the optical classification of Fermi BCUs using machine learning},
author = {Shi-Ju Kang and Junhui Fan and Weiming Mao and Qingwen Wu and Jianchao Feng and Yue Yin},
journal= {arXiv preprint arXiv:1902.07717},
year = {2019}
}
备注
Accepted for publication in ApJ. 15 pages, 3 figures, 4 tables