用不同机器学习方法确定LAMOST数据的质量和年龄
星系天体物理
2022-09-07 v2
摘要
我们给出了一个包含948,216颗带质量标签恒星的星表，以及一个同时带有质量和年龄标签的163,105颗红团(RC)恒星星表。训练数据集由LAMOST(大天区面积多目标光纤光谱天文望远镜)DR5和高分辨率星震学数据交叉匹配得到，质量和年龄由随机森林方法或凸包算法预测。提取了与质量和年龄高度相关的恒星参数，测试数据集显示大样本质量预测模型的中值相对误差为3%，同时红团星的质量和年龄误差分别为4%和7%。我们还将预测的红团星年龄与近期工作进行比较，发现RC样本的最终不确定性对于年龄可达18%、对于质量可达9%，同时不考虑系统误差时不同类型恒星大样本质量的最终精度可达13%，这些都表明该方法在未来可被广泛应用。此外，我们探索了不同机器学习方法对于我们的样本的性能，包括贝叶斯线性回归(BYS)、梯度提升决策树(GBDT)、多层感知机(MLP)、多元线性回归(MLR)、随机森林(RF)和支持向量回归(SVR)。最后我们发现非线性模型的性能普遍优于线性模型，且GBDT和RF方法相对更优。
引用
@article{arxiv.2205.06144,
title = {Mass and Age determination of the LAMOST data with different Machine Learning methods},
author = {Qi-Da Li and Hai-Feng Wang and Yang-Ping Luo and Qing Li and Li-Cai Deng and Yuan-Sen Ting},
journal= {arXiv preprint arXiv:2205.06144},
year = {2022}
}
备注
19 pages, 23 figures, Accepted for publication in the ApJS