用于 RR 型天琴座变星与双星分类的稀疏逻辑回归

RR 型天琴座变星（RRL）是其核心氦燃烧阶段的年老、低质量径向脉动变星。它们是流行的恒星示踪体与主要距离指标，因为在近红外波段服从明确的周期-光度关系。它们的测光识别并非易事，事实上 RRL 样本可能被食双星污染，尤其是在全自动流水线产生的大型数据集中。因此亟需可解释的机器学习方法来分离食双星与 RRL。理想情况下，它们应能在识别 RRL 时达到高精度，并泛化到来自不同仪器的新数据。在本文中，我们在卡特琳娜巡天（CSS）光变曲线上训练了一个简单的逻辑回归分类器。它在未见的 CSS 光变曲线上对 RRL 类取得了 87% 准确率与 78% 召回率。它在样本外数据（ASAS/ASAS-SN 光变曲线）上泛化，取得 85% 准确率与 96% 召回率。我们还考虑了分类器的 L1 正则化版本，其在光变曲线特征上达到 90% 稀疏度，在 CSS 验证集上——且值得注意的是在 ASAS/ASAS-SN 光变曲线测试集上——精度牺牲有限。逻辑回归本身可解释，而正则化使我们能指出分类中最关键的光变曲线部分。我们由此同时实现了良好泛化与完全可解释性。