基于机器学习和大规模射电调查识别活跃星系核

背景。主动星系核（AGNs）和星形成星系（SFGs）是射电天空的主要辐射来源。但难以区分由 AGNs 产生的射电辐射与由 SFGs 产生的射电辐射，尤其是在射电源较弱时。Best 等人（2023）通过多波段 SED 拟合对 LoTSS 深度场数据集 DR1 中的射电源进行分类。借助他们的分类结果，我们对射电 AGNs 与射电 SFGs 进行监督式机器学习分类。目标。旨在提供一种监督式分类器来识别射电 AGNs，能够同时实现高纯度和高完整性，并且易于应用于大规模调查数据集。方法。将 Best 等人（2023）的分类结果用作监督学习的真实标签。基于 LoTSS 深度场 DR1、AllWISE 和 Gaia DR3 的交叉匹配样本，应用光学和中红外星 magnitudes 与颜色特征来训练分类器。通过评估 AGNs 和非 AGNs 的精确率、召回率和 F1 分数来评估分类器性能。结果。在六种学习算法中进行比较后，选定 CatBoost 作为最佳分类器。该最佳分类器在 AGNs 上获得精确率=0.974，召回率=0.865，F1=0.916；在非 AGNs 上获得精确率=0.936，召回率=0.988，F1=0.961。将我们的分类器应用于 LoTSS DR2、AllWISE 和 Gaia DR3 的交叉匹配样本后，我们获得了 49716 个 AGNs 和 102261 个非 AGNs。通过与 SDSS 的光谱分类结果进行比较，确认了这些分类结果的可靠性。AGNs 样本的精确率和召回率可分别达到 94.2% 和 92.3%。我们还训练了一个识别射电过量源的模型。对于有射电过量和没有射电过量的源，其 F1 分别为 0.610 和 0.965。