面向更优光谱表征的特征选择：或我如何学会开始担忧并爱上集成方法

机器学习在天文学应用中一个始终存在的威胁是数据过拟合的危险，亦即所谓的“维度灾难”。当样本数少于独立变量个数时便会发生这种情况。本工作中，我们关注由中低分辨率、吸收线混合的光谱进行恒星参数化的难题。我们利用一种迭代算法从合成 PHOENIX 光谱中依次剪除冗余特征，从而得到与各个输出变量——T$_{\rm eff}$、$\log g$ 和 [Fe/H]——相关性最强的最优波长集合。我们发现，在任意给定分辨率下，大多数特征（即吸收线）不仅冗余，实际上还充当噪声并降低了参数反演的精度。