第二次$Gaia$数据发布中消光的机器学习回归
太阳与恒星天体物理
2020-02-19 v1 地球与行星天体物理
摘要
机器学习已成为一种流行工具，基于经验、观测以及在不显式给出函数的情况下分析给定数据集内的模式，来帮助我们做出更好的决策与预测。本文描述了一种有监督机器学习算法在第二次Gaia数据发布消光回归中的应用，该应用基于大天区面积多目标光纤光谱望远镜（LAMOST）、Sloan Extension for Galactic Understanding and Exploration（SEGUE）与阿帕奇点天文台星系演化实验（APOGEE）的组合。我们训练样本中的导出消光与其他基于光谱的估计一致，其交叉验证的标准差为0.0127 mag。使用RAdial Velocity Experiment（RAVE）星表进行了盲测，标准差为0.0372 mag。如此精确的训练样本使我们能够对第二次Gaia数据发布中1.33亿颗恒星的消光E(BP-RP)进行回归。其中1.06亿颗恒星的不确定度小于0.1 mag，受外部回归偏差影响较小。我们还发现，基于光度法的消光之间以及基于光谱与基于光度法的消光之间存在较高偏差。这意味着基于光谱的方法比多波段测光能为回归模型带来更多信号，且更高的信噪比可获得更可靠的结果。
引用
@article{arxiv.1912.09269,
title = {Machine Learning Regression of extinction in the second $Gaia$ Data Release},
author = {Yu Bai and JiFeng Liu and YiLun Wang and Song Wang},
journal= {arXiv preprint arXiv:1912.09269},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1906.09695