抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】