重新审视系外行星群体的质量-半径关系：一种机器学习视角

系外行星发现数量的增长与机器学习技术的进步，为探索和理解太阳系外世界的性质开辟了新途径。在本研究中，我们采用高效的机器学习方法分析包含 762 颗已确认系外行星和 8 颗太阳系行星的数据集，旨在刻画它们的基本物理量。通过应用不同的无监督聚类算法，我们将数据分为“小”行星和“巨”行星两类，截断值分别为 $R_{p}=8.13R_{\oplus}$ 和 $M_{p}=52.48M_{\oplus}$。该分类揭示了一个有趣的差异：巨行星密度较低，表明其 H-He 质量分数较高；而小行星密度较大，主要由较重元素组成。我们应用多种回归模型来揭示物理参数之间的相关性及其对系外行星半径的预测能力。我们的分析强调，行星质量、轨道周期和恒星质量在预测系外行星半径中起关键作用。在评估的模型中，支持向量回归（Support Vector Regression）始终优于其他模型，展现出获得精确行星半径估计的潜力。此外，我们利用 M5P 和马尔可夫链蒙特卡洛（Markov Chain Monte Carlo）方法推导了参数方程。值得注意的是，我们的研究揭示了一个值得关注的结果：小行星呈现正线性质量-半径关系，与先前发现一致。相反，对于巨行星，我们观测到行星半径与其宿主恒星质量之间的强相关性，这可能为巨行星形成与恒星特征之间的关系提供有趣见解。