面向RR Lyrae变星的类别不平衡学习
天体物理仪器与方法
2018-01-09 v1
摘要
我们应用机器学习和凸包(Convex-Hull)算法，基于斯隆数字巡天(SDSS)和星系演化探测器(GALEX)，将RR Lyrae变星与其他恒星（如主序星、白矮星、碳星、激变变星(CVs)和碳线星）分离。在低维空间中，应用凸包算法筛选RR Lyrae变星。给定(u-g, g-r)、(g-r, r-i)、(r-i, i-z)、(u-g, g-r, r-i)、(g-r, r-i, i-z)、(u-g, g-r, i-z)和(u-g, r-i, i-z)的不同输入模式，可为RR Lyrae变星构建不同的凸包。比较不同输入模式的性能，u-g, g-r, i-z为最佳输入模式。对于该输入模式，效率（预测RR Lyrae样本中真实RR Lyrae变星的比例）为4.2%，完备度（整个RR Lyrae样本中已回收RR Lyrae变星的比例）为100%；通过去除一些离群值，效率提升至9.9%（完备度97%）和16.1%（完备度53%）。在高维空间中，采用输入模式(u-g, g-r, r-i, i-z)、(u-g, g-r, r-i, i-z, r)、(NUV-u, u-g, g-r, r-i, i-z)和(NUV-u, u-g, g-r, r-i, i-z, r)使用机器学习算法。RR Lyrae变星属于本文关注类别，与其他恒星相比较为稀少。对于高度不平衡数据，使用了代价敏感支持向量机(SVM)、代价敏感随机森林和Fast Boxes。结果表明，来自GALEX的信息有助于识别RR Lyrae变星，且Fast Boxes在我们案例的不平衡数据上表现最佳。
引用
@article{arxiv.1801.02293,
title = {Imbalanced learning for RR Lyrae stars},
author = {Jingyi Zhang and Yanxia Zhang and Yongheng Zhao},
journal= {arXiv preprint arXiv:1801.02293},
year = {2018}
}
备注
37 pages, 10 figures, 6 tables, accepted by AJ