用于中红移发射线星系的机器学习分类器

仅使用光学光谱将无法把中红移（$z$ = 0.3--0.8）发射线星系分类为恒星形成星系、复合星系、活动星系核（AGN）或低电离核发射区（LINERs），因为用于标准光学诊断图系的谱线：[NII]、H$\alpha$ 和 [SII] 已红移出观测波长范围。在这项工作中，我们使用四种监督机器学习分类算法解决这个问题：$k$ 近邻（KNN）、支持向量分类器（SVC）、随机森林（RF）和多层感知机（MLP）神经网络。对于输入特征，我们使用可从中红移 $z < 0.8$ 的光学星系光谱测量的属性——[OIII]/H$\beta$、[OII]/H$\beta$、[OIII] 谱线宽度和恒星速度弥散——以及校正到 $z=0.1$ 的四种颜色（$u-g$、$g-r$、$r-i$ 和 $i-z$）。低红移发射线星系训练集的标签使用标准光学诊断图系确定。RF 在分类所有四类星系时具有最佳曲线下面积（AUC）得分，意味着最高的区分能力。其他算法的 AUC 得分和准确率排序均为 MLP$>$SVC$>$KNN。使用全部八个特征（以及仅四个光谱确定特征）的分类准确率分别为：恒星形成星系 93.4%（92.3%）、复合星系 69.4%（63.7%）、AGN 71.8%（67.3%）、LINERs 65.7%（60.8%）。低红移由光学诊断图系和由中红移 RF 确定的同类星系的堆叠光谱大体一致。我们公开可用的代码（https://github.com/zkdtc/MLC_ELGs）和训练模型将有助于在即将开展的大视场光谱巡天中对发射线星系进行分类。