基于机器学习的宇宙历史重建：使用 CART、MLPR 和 SVR

本 work 通过三种方法重建宇宙历史：分类与回归树 (CART)、多层感知器回归器 (MLPR) 和支持向量回归 (SVR)。为此，我们使用基于 32 个大质量、早期被动演化星系的模拟星系年龄，范围为 $0.12 < z < 1.85$，其中确定了绝对年龄。使用这一样本，我们通过蒙特卡洛方法模拟了 100、1000、2000、3334、6680 个点的子样本，采用以空间平坦 $\Lambda$CDM 为 fiducial 模型的高斯分布。我们发现 SVR 方法在整个过程中表现最佳。方法 MLPR 和 CART 也表现不错，但其均方误差大于 SVR 的误差。通过重建的年龄，我们估计了物质密度参数和方程态 (EoS)，我们的分析发现，使用 600 个预测点获得的 SVR 返回 $\Omega_m=0.329\pm{}^{0.010}_{0.010}$ 和暗能量 EoS 参数 $\omega= -1.054\pm{}^{0.087}_{0.126}$，这与文献中报告的值一致。我们指出，对于样本量较小且精度最高的子样本（2000 个点），我们找到了最一致的结果，该子样本返回 600 个预测点并表现最佳。我们呈现了星系年龄的重建曲线以及最佳拟合的宇宙学参数。