基于机器学习的活跃星系分类及超大质量黑洞质量估计

区分活跃星系与星形成星系对于理解星系演化至关重要。BPT（Baldwin, Phillips and Terlevich）图这类诊断方法使用光学发射线比值来分离星系。然而，随着大型观测和高分辨率仪器的可用性，手动识别星系类型正变得日益具有挑战性。在本研究中，我们利用星质量、星级速度分散、颜色、红移以及 [O III] 亮度等属性，使用机器学习来分类活跃星系与星形成星系。这些新方法比 BPT 图更快地实现 AGN/星形成星系分类，提供一种灵活、可扩展的替代方案，可补充传统诊断方法，特别适用于大型观测或数据质量较差的情形。我们采用四种分类算法——决策树、随机森林、支持向量分类器 (SVC) 和 k 近邻 (KNN)，使用来自 SDSS 数据集的 Galaxy Zoo 1 数据集。数据集包含 47,675 个红移范围为 0.02--0.05 的星系，其中包括 17,002 个纯星形成星系和 2,254 个活跃星系，这些标签通过 BPT 图获得。我们通过混淆矩阵、学习曲线和接收者工作特征曲线 (ROC 曲线) 来训练和评估这些模型。在四种算法中，SVC 和随机森林模型实现了约 93% 的准确率，而 KNN 的准确率最低，为 88%。此外，我们利用星级速度分散 ($\sigma$) 和 $M_{\rm BH}-\sigma$ 关系来估计超大质量黑洞质量。我们应用四种回归模型——随机森林回归器、支持向量回归器 (SVR)、KNN 回归器和多项式回归。所有四种模型产生相似的结果，$R^2$ 值在 0.75 到 0.77 之间，表明性能一致。