探索 Fisher 判别器在星系形态分类中的可行性
天体物理仪器与方法
2026-03-13 v1 宇宙学与河外天体物理
摘要
天文学中的一个重大挑战是准确地对星系进行分类，特别是区分不同的星系类型。虽然许多复杂的算法在分类任务中表现出强大的性能，但其复杂性往往导致处理时间更长且更难以理解。本研究通过探讨 Fisher 判别器——一种更简单的数据算法——在执行星系形态分类方面的可行性来解决此问题。我们测试了四种机器学习算法：Fisher 判别器、人工神经网络（ANNs）、提升决策树（BDTs）和 k 近邻（kNNs）来对星系中心胚体的形状进行分类。使用来自 Sloan Digital Sky Survey（SDSS）的数据，我们采用了五种预处理转换：标准化、去相关、主成分分析（PCA）、均匀化和高斯化，并将中心胚体的形状分为圆形或无胚体，基于 Galaxy Zoo Decision Tree 进行分类。与 Galaxy Zoo 2（GZ2）标签进行比较时，采用均匀化的 Fisher 判别器获得了最高的准确率得分 0.9310，显著优于 ANN、BDT 和 kNN 分别高出 1.93%、0.42% 和 3.08%。
关键词
引用
@article{arxiv.2603.11652,
title = {Exploring the Viability of Fisher Discriminants in Galaxy Morphology Classification},
author = {Sazatul Nadhilah Zakaria and Santtosh Muniyandy and John Y. H. Soo},
journal= {arXiv preprint arXiv:2603.11652},
year = {2026}
}
备注
19 pages, 5 figures, this is the English translation of the paper published in Malay