利用随机森林识别莱曼阿尔法发射体候选者：从CANDELS巡天星系中学习

使一个星系成为莱曼阿尔法发射体的物理过程在过去25年中已被广泛研究。然而，星系的物理与形态性质同Ly$\alpha$发射线强度之间的关联仍存在高度争议。因此，我们在来自GOODS-S、UDS和COSMOS天区的红移范围$2 \leq z \leq 7.9$内的1578个星系样本中，研究了静止系Ly$\alpha$等值宽度与恒星质量、恒星形成率、尘埃红化、金属丰度、年龄、半光半长轴、S\'ersic指数和投影轴比之间的关联。从数据集中大量莱曼阿尔法发射体（LAEs）样本，我们发现LAEs通常是常见的主序恒星形成星系，其恒星质量$\leq 10^9 \text{M}_{\odot}$、恒星形成率$\leq 10^{0.5} \text{M}_{\odot}/\text{yr}$、$E(B-V) \leq 0.2$且半光半长轴$\leq 1 \text{kpc}$。基于这些发现，我们开发了一种基于随机森林（即一种机器学习分类器）的新方法，以筛选具有最高概率为莱曼阿尔法发射体的星系。当应用于红移范围$z \in [2.5, 4.5]$的星系族时，我们的分类器具有$(80 \pm 2)\%$的准确率和$(73 \pm 4)\%$的精确率。在更高红移（$z \in [4.5, 6]$）下，我们获得$73\%$的准确率和$80\%$的精确率。这些结果凸显了通过有依据的预测来克服当前组装大规模LAE样本的限制是可能的，这些预测可用于规划未来的大规模光谱巡天。