从 FATS 到 feets：基于机器学习的天文特征提取工具的进一步改进
天体物理仪器与方法
2018-09-10 v1 机器学习
摘要
在 petabyte 级公共巡天数据发布的时代，机器学习算法对于天文学中时间序列数据的分类极为有用。这些方法可以促进在大多数天体物理领域中发现新的未知事件，并改进对已知现象样本的分析。机器学习算法使用从收集数据中提取的特征作为输入预测变量。一个名为 Feature Analysis for Time Series (FATS) 的公共工具已被证明是特征提取的出色主力工具，特别是用于变星天体的光变曲线分类。在本研究中，我们提出了对 FATS 的重大改进，修正了不便的设计选择、细微细节以及用于重构过程的文档。该改进包含一个名为“feets”的新 Python 包，这对于天文软件工具未来的代码重构十分重要。
引用
@article{arxiv.1809.02154,
title = {From FATS to feets: Further improvements to an astronomical feature extraction tool based on machine learning},
author = {J. B. Cabral and B. Sánchez and F. Ramos and S. Gurovich and P. Granitto and J. Vanderplas},
journal= {arXiv preprint arXiv:1809.02154},
year = {2018}
}
备注
accepted in Astronomy and Computing