用显著图解释活动星系核自动分类器

将活动星系核（AGN）的光学光谱分类为不同类型在 AGN 物理上有充分依据，但涉及一定程度的人工监督，且无法可靠地扩展到大型数据集。机器学习（ML）以快速且可复现的方式解决此类分类问题，但常被视为黑箱。然而，ML 的可解释性与可说明性是计算机科学中活跃的研究领域，日益为我们提供缓解此问题的工具。我们将 ML 可解释性工具应用于一个经训练可从光谱预测 AGN 类型的分类器，以展示此类工具在此背景下的使用。我们在来自 SDSS DR15 的 3346 条高质量、低红移 AGN 光谱上训练了一个支持向量机，这些光谱已有可靠的类型 1、类型 2 或中间类型的分类。在一组测试集光谱上，我们计算了预测类别概率的梯度并构建了显著图。我们还使用 t 分布随机邻域嵌入（t-SNE）可视化了 AGN 光谱的高维空间，展示我们计算了显著图的光谱所在位置。影响预测 AGN 类型的区域常与物理相关特征（如谱线）重合。t-SNE 可视化显示类型 1 与类型 2 光谱具有良好可分性，而中间类型光谱要么如预期位于两者之间，要么与类型 2 光谱混杂。显著图展示了我们的分类器为何预测给定 AGN 类型，从而依据影响其决策的光谱区域给出物理解释，使其不再是黑箱。这些区域与人类专家所使用的区域（如相关谱线）一致，甚至以类似方式被使用，例如分类器通过以相反权重权衡谱线中心与两翼来有效测量线宽。