合并还是单体演化？利用机器学习重建模拟星团的动力学历史
星系天体物理
2016-04-27 v1
摘要
背景。机器学习(ML)通过从数据中学习模式来解决问题，只需有限或无需人类指导。在天文学中，它主要应用于大型观测数据集，例如形态星系分类。目的。我们将ML应用于要么由两个前身合并形成要么孤立演化的星团的引力N体模拟，计划以后从观测数据中识别可能具有合并历史的球状星团(GCs)。方法。我们从模拟的GCs创建模拟观测，从中测量一组参数（在机器学习领域也称为特征）。在特征空间降维后，将得到的数据点馈入各种分类算法。使用重复随机子采样验证，我们检查算法识别的组是否对应于合并与整体演化模拟之间的潜在物理区别。结果。我们考虑的三种算法（C5.0树、k近邻和支持向量机）在未调参情况下均达到约10%的测试误分类率，其中支持向量机略优于其他。特征空间的第一主成分与星团集中度相关。如果我们将其从回归中排除，算法性能仅轻微降低。
引用
@article{arxiv.1602.00993,
title = {Merged or monolithic? Using machine-learning to reconstruct the dynamical history of simulated star clusters},
author = {Mario Pasquato and Chul Chung},
journal= {arXiv preprint arXiv:1602.00993},
year = {2016}
}
备注
7 pages, 5 figures, A&A accepted (research note)