アンサンブル学習を用いた測光赤方偏移支援分類【JST・京大機械翻訳】

Cunha P. A. C.; Humphrey A.

プレプリント

J-GLOBAL ID：202202211874263759 整理番号：22P0325577

アンサンブル学習を用いた測光赤方偏移支援分類【JST・京大機械翻訳】

Photometric redshift-aided classification using ensemble learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年04月05日プレプリントサーバーでの情報更新日： 2022年05月19日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

より強い分類器を生成するために,XGBoost,LightGBM,およびCatBoost学習アルゴリズムからの出力を結合した天文源分類の古典的問題に対する新しい機械学習アプローチであるSHEEPを提示した。著者らのパイプラインにおける新しいステップは,分類を実行する前に,SHEEPは最初に測光赤方偏移を推定し,次に,分類モデル訓練のための付加的特徴としてデータセットに配置される。これは,その後の分類性能の顕著な改善をもたらした。SHEEPは2つの異なる分類方法論を含む。(i)マルチクラスと(ii)メタ学習者による補正によるもの。SHEEPの性能を,3.5百万の天文源のSDSSとWISE測光計から成るデータセットを用いて,星,銀河,およびクォーラの分類のために示した。得られたF1スコアは以下の通りである。銀河の0.992;採石のための0.967;および星の0.985。3つのクラスに対するF1スコアに関して,SHEEPは,本質的に同一のデータセットを用いた最近のランダムFoest-ベース分類手法より優れていることが分かった。また,著者らの方法論は,特徴重要性を通してモデルおよびデータセット説明可能性を容易にする。また,不確実な分類が追跡観測の興味あるソースになるかもしれないソースの選択を可能にする。【JST・京大機械翻訳】

, , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る