星系团暗晕动力学建模有何预期 II. 用随机森林探究动力学状态指示量

我们基于随机森林（RF）机器学习方法，研究各类动力学特征在预测星系团动力学状态（DS）中的重要性。我们使用来自 Three Hundred Project 流体动力学 zoom-in 模拟的大样本星系团，并从原始数据及相应光学、X 射线与 Sunyaev-Zel'dovich（SZ）通道的模拟地图构建动力学特征。我们不直接依赖 RF 算法的基于不纯度的特征重要性，而是直接使用袋外（OOB）分数评估单个特征及不同特征组合的重要性。在所有研究特征中，我们发现维里比 $\eta$ 是最重要的单一特征。直接从模拟计算且在三维空间中的特征比由模拟地图构建的特征承载更多 DS 信息。与基于 X 射线或 SZ 地图的特征相比，与质心位置相关的特征更为重要。尽管研究了大量特征，至多三类不同特征的组合同已可使预测分数饱和。最后，我们展示最敏感特征 $\eta$ 与动力学建模中著名的半质量偏置强相关。在未对 DS 筛选时，团暗晕在 $\eta$ 上呈非对称分布，对应于整体正的半质量偏置。我们的工作为在模拟与观测中选择最佳特征以区分星系团 DS 提供了定量参考。