基于监督机器学习的费米 LAT 活动星系核分类
高能天体物理现象
2023-09-12 v1 天体物理仪器与方法
摘要
活动星系核（AGN）的分类是一项挑战，尤其是对于由其弱发射线光谱所识别的 BL Lac 天体（BLLs）。为解决分类问题，我们使用来自第 4 费米星表数据释放 3 的数据。缺失数据阻碍了利用机器学习对 AGN 进行分类。先前的一篇论文发现，链式方程多重插补（MICE）插补对于估计缺失值是有用的。由于许多 AGN 缺失红移与最高能量，我们使用 MICE 与 K 近邻（kNN）算法进行数据插补以填补这些缺失变量。随后，我们使用 SuperLearner（一种包含多种分类算法的集成方法，如逻辑回归、支持向量分类器、随机森林、Ranger 随机森林、多元自适应回归样条（MARS）、贝叶斯回归、极端梯度提升）将 AGN 分类为 BLLs 或平谱射电类星体（FSRQs）。我们发现，使用 MARS 回归与随机森林算法的 SuperLearner 模型对 kNN 插补数据的准确率为 91.1%，对 MICE 插补数据的准确率为 91.2%。此外，kNN 插补的 SuperLearner 模型预测在 1519 个未分类耀变体中，892 个为 BLLs，627 个为平谱射电类星体（FSRQs），而 MICE 插补的 SuperLearner 模型预测未分类集中有 890 个 BLLs 与 629 个 FSRQs。因此，我们可以得出结论：两种插补方法均高效且准确率高，并且我们的方法为在 AGN 领域乃至广义的天体物理领域中使用 SuperLearner 作为一种新颖分类方法开辟了道路。
引用
@article{arxiv.2307.11945,
title = {Fermi LAT AGN classification using supervised machine learning},
author = {Nathaniel Cooper and Maria Giovanna Dainotti and Aditya Narendra and Ioannis Liodakis and Malgorzata Bogdan},
journal= {arXiv preprint arXiv:2307.11945},
year = {2023}
}
备注
15 pages, 8 figures, to be published in Monthly Notices of the Royal Astronomical Society