第二次 $Gaia$ 数据释放中恒星有效温度的机器学习回归
太阳与恒星天体物理
2019-08-14 v1 天体物理仪器与方法
摘要
本文报道了有监督机器学习算法在第二次 数据释放中恒星有效温度回归的应用,基于四个光谱巡天中恒星的组合:大天区面积多目标光纤光谱望远镜、Sloan Extension for Galactic Understanding and Exploration、Apache Point Observatory Galactic Evolution Experiment 和 RAdial Velocity Extension。该组合约四百万颗恒星,使我们能够构建用于回归的最大训练样本之一,并进一步以 191 K 的均方根误差预测可靠的恒星温度。该结果比基于约六万颗恒星的 第二次数据释放给出的结果更精确。经过一系列数据清洗过程后,输入回归器的特征从 参数中仔细选取,包括颜色、三维位置和自行。这些 参数用于预测第二次 数据释放中 132,739,323 颗有效恒星的有效温度。我们还提出了一种用于盲测试的新方法以及无需额外数据的外部回归测试。仅用一个星表中的参数提供输入的机器学习算法为我们提供了最大化预测样本量的有效途径,并且该方法在未来天体物理研究中具有广泛应用前景。
引用
@article{arxiv.1906.09695,
title = {Machine Learning Regression of stellar effective temperatures in the second $Gaia$ Data Release},
author = {Yu Bai and JiFeng Liu and ZhongRui Bai and Song Wang and DongWei Fan},
journal= {arXiv preprint arXiv:1906.09695},
year = {2019}
}