如何利用监督机器学习算法从五波段测光测量金属丰度
天体物理仪器与方法
2016-01-21 v2 宇宙学与河外天体物理
摘要
我们证明，利用监督机器学习算法，可从 SDSS 五波段测光中测量金属丰度，精度优于 0.1 dex。以金属丰度的光谱估计值作为真值，我们构建、优化并训练了若干估计器来预测金属丰度。我们使用观测测光以及恒星质量和测光红移等导出量作为特征，构建了两个样本数据集，其中位红移分别为 0.103 和 0.218，中位 r 波段星等分别为 17.5 和 18.3。我们发现集成方法（如随机森林和极端随机树）以及支持向量机均表现相当良好，在包含所有对象时，对两个数据集测量金属丰度的均方根误差（RMSE）分别为 0.081 和 0.090。离群值（即 |Z_true - Z_pred| > 0.2 dex 的对象）比例分别为 2.2% 和 3.9%，若排除这些对象，RMSE 降至 0.068 和 0.069。由于这些算法能够捕捉数据与目标之间的复杂关系，我们的技术优于先前提出的采用解析拟合公式拟合金属丰度的方法，并且比基于 SED 拟合的方法具有强 3 倍的约束能力。此外，该方法对训练集中的污染极为宽容，即便训练样本量仅数百个对象，也能得到令人满意的结果。我们分发了用于复现结果并应用于其他数据集的全部例程。
引用
@article{arxiv.1510.08076,
title = {How to measure metallicity from five-band photometry with supervised machine learning algorithms},
author = {Viviana Acquaviva},
journal= {arXiv preprint arXiv:1510.08076},
year = {2016}
}
备注
Minor revisions, matching version published in MNRAS