利用 XGBoost 预测恒星自转周期

本工作旨在开发一种基于机器学习技术的计算廉价方法，以准确预测数千个恒星自转周期。我们方法的创新之处在于使用 XGBoost 算法通过回归分析预测 Kepler 目标源的自转周期。因此，我们专注于构建一个鲁棒的监督机器学习模型，从由 Kepler 的 K 型和 M 型恒星星表构建的结构化数据集中预测表面恒星自转周期。我们分析了从 Kepler 光变曲线提取的独立变量集，并研究了它们与真实值之间的关系。利用极端梯度提升方法，我们获得了一组可用于构建预测恒星自转周期的机器学习模型的最小变量集。我们的模型通过预测约 2900 颗恒星的自转周期得到验证。结果与经典技术所得结果相容，并与近期其他机器学习方法所得结果相当，且优势在于使用了远少的预测变量。将分析限制在自转周期小于 45 天的恒星，我们的模型平均有 96% 正确。我们开发了一种基于机器学习方法的创新方法，以准确拟合恒星的自转周期。基于本研究结果，我们得出结论：所提方法生成的最佳模型与最先进方法具有竞争力，且优势在于计算更廉价、易于训练并依赖小变量集。