蓝水平分支恒星的光度识别

我们研究了一些常见机器学习技术在从测光数据中识别BHB恒星时的性能。为了训练机器学习算法，我们使用了先前从SDSS数据中发表的BHB恒星光谱识别结果。我们研究了三种不同技术的性能，即k近邻分类、核密度估计和支持向量机(SVM)。我们从完备性和污染度两方面讨论了这些方法的性能。我们讨论了通过调整分类的概率阈值来权衡这些值的前景，即以降低完备性为代价实现更低的污染度。我们还讨论了先验概率在分类性能中的作用，并通过模拟评估了用于训练的数据集的可靠性。总体而言，无先验似乎能给出最佳的完备性，但采用先验会降低污染度。我们发现，在给定的完备性水平下，SVM通常能带来最低的污染度，因此是我们的首选方法。最后，我们使用在光谱样本上训练好的SVM对SDSS DR7测光数据的一个大样本进行了分类。我们从294,652颗恒星中识别出27,074颗可能的BHB恒星。我们推导了测光视差，并通过与选定的球状星团的已知距离进行比较，证明了我们的结果是合理的。我们将我们的分类结果（包括概率）作为电子表格附上，以便它们可以直接用作BHB恒星目录，或作为光谱或其他分类方法的先验。我们还提供了我们的最终模型，以便它们可以直接应用于新数据。