機(jī)器學(xué)習(xí)在當(dāng)今的諸多領(lǐng)域已經(jīng)取得了巨大的成功.尤其是提升算法.提升算法適應(yīng)各種場(chǎng)景的能力較強(qiáng)、準(zhǔn)確率較高,已經(jīng)在多個(gè)領(lǐng)域發(fā)揮巨大的作用.但是提升算法在天文學(xué)中的應(yīng)用卻極為少見.為解決斯隆數(shù)字巡天（Sloan Digital Sky Survey,SDSS）數(shù)據(jù)中恒星/星系暗源集分類正確率低的問題,引入了機(jī)器學(xué)習(xí)中較新的研究成果–XGBoost （eXtreme Gradient Boosting）.從SDSS-DR7 （SDSS Data Release 7）中獲取完整的測(cè)光數(shù)據(jù)集,并根據(jù)星等值劃分為亮源集和暗源集.首先,分別對(duì)亮源集和暗源集使用十折交叉驗(yàn)證法,同時(shí)運(yùn)用XGBoost算法建立恒星/星系分類模型;然后,運(yùn)用柵格搜索等方法調(diào)優(yōu)XGBoost參數(shù);最后,基于星系的分類正確率等指標(biāo),與功能樹（Function Tree, FT）、Adaboost （Adaptive boosting）、隨機(jī)森林（Random Forest, RF）、梯度提升決策樹（Gradient Boosting Decision Tree, GBDT）、堆疊降噪自編碼（Stacked Denoising ... 

【文章來源】：天文學(xué)報(bào). 2019,60(02)北大核心CSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【文章目錄】：
1 引言
2 斯隆數(shù)字巡天
3 提升算法
    3.1 GBDT原理
    3.2 XGBoost原理
4 實(shí)驗(yàn)測(cè)試
    4.1 數(shù)據(jù)集介紹
    4.2 實(shí)驗(yàn)分析
        4.2.1 特征重要性測(cè)試
        4.2.2 XGBoost模型優(yōu)化
        4.2.3 實(shí)驗(yàn)方法及模型對(duì)比
5 總結(jié)與展望


【參考文獻(xiàn)】：
期刊論文
[1]基于非參數(shù)回歸與Adaboost的恒星光譜自動(dòng)分類方法[J]. 劉蓉,喬學(xué)軍,張健楠,段福慶.  光譜學(xué)與光譜分析. 2017(05)
[2]基于DBN,SVM和BP神經(jīng)網(wǎng)絡(luò)的光譜分類比較[J]. 李俊峰,汪月樂,胡升,何慧靈.  光譜學(xué)與光譜分析. 2016(10)
[3]數(shù)據(jù)挖掘技術(shù)在天文學(xué)中的應(yīng)用[J]. 張彥霞,趙永恒.  科研信息化技術(shù)與應(yīng)用. 2011(03)



本文編號(hào)：3522720