TPZ：利用预测树与随机森林生成光致红移概率密度函数及辅助信息
宇宙学与河外天体物理
2015-06-15 v1
摘要
随着大型巡天项目的增长，准确估计光致红移（最好以概率密度函数 PDF 的形式）并充分理解该过程中隐含的系统误差变得日益重要。在本文中，我们提出了一种新的、公开的、并行的机器学习算法，该算法利用预测树和随机森林技术生成光致红移 PDF，我们将其命名为 TPZ。这一新算法在计算中纳入了测量误差，同时能有效处理数据中的缺失值。此外，我们的算法实现提供了关于所分析数据的补充信息，包括无需验证数据集即可对技术精度进行无偏估计、识别光谱训练数据所占参数空间内光致红移效果较差的区域、量化构建 PDF 所用变量的相对重要性，以及稳健地识别离群值。这些额外信息可用于优化新的光谱观测目标，并提高红移估计的整体效能。我们在取自 SDSS 主星系样本和 DEEP2 巡天的星系样本上测试了 TPZ，在每种情况下均获得了优异结果。我们还通过参与 PHAT1 项目（一项盲测光致红移竞赛）测试了我们的实现，发现 TPZ 的表现与其他经验性光致红移算法相当甚至更优。最后，我们讨论了控制 TPZ 运行的各种参数、该方法的具体局限性以及光致红移 PDF 的应用。
引用
@article{arxiv.1303.7269,
title = {TPZ : Photometric redshift PDFs and ancillary information by using prediction trees and random forests},
author = {M. Carrasco Kind and R. J. Brunner},
journal= {arXiv preprint arXiv:1303.7269},
year = {2015}
}
备注
21 pages, 15 figures, Accepted for publication in MNRAS. TPZ code at http://lcdm.astro.illinois.edu/research/TPZ.html