基于机器学习的 BASS DR3 类星体测光红移估计

将 BASS DR3 星表与 ALLWISE 数据库相关联，获得光学与红外信息数据。以 SDSS 的类星体作为训练与测试样本，以 LAMOST 的类星体作为外部测试样本。我们提出两种方案，利用 XGBoost、CatBoost 和随机森林（Random forest）构建红移估计模型。一种方案（即一步模型）是基于这三种算法所建立的最优模型直接预测测光红移；另一种方案（即两步模型）是先将数据分类为低红移与高红移数据集，再分别预测这两类数据集的测光红移。对于一步模型，比较了这三种算法在不同训练样本下测光红移估计的性能，CatBoost 优于 XGBoost 和随机森林。对于两步模型，比较了这三种算法在低、高红移子样本分类上的性能，CatBoost 仍表现出最佳性能。因此，CatBoost 被视为两步模型中分类与回归的核心算法。与一步模型相比，两步模型在预测类星体测光红移时更优，尤其对于高红移类星体。最后将两种模型应用于预测 BASS DR3 所有类星体候选体的测光红移。两步模型得到的高红移类星体候选体数量为 3938 个（红移 $\ge 3.5$）和 121 个（红移 $\ge 4.5$）。预测结果将有助于类星体研究及高红移类星体的后续观测。