Análisis de datos astronómicos con técnicas de aprendizaje automático

Análisis de datos astronómicos con técnicas de aprendizaje automático

El método de clasificación de regresión logística se utiliza para separar estrellas variables de estrellas no variables. Los puntos de color azul claro muestran fuentes no variables, mientras que los violetas muestran fuentes variables. El límite de clasificación se muestra con la línea negra. La regresión logística logra una precisión de 0,969 y una puntuación F1 de 0,628.

La clasificación es una tarea popular en el campo del aprendizaje automático (ML) y la inteligencia artificial (AI), y ocurre cuando los resultados son variables categóricas. Hay muchos modelos diferentes que intentan sacar algunas conclusiones de los valores observados, por lo que los algoritmos de clasificación predicen etiquetas de clase categóricas y las usan para clasificar nuevos datos.

La clasificación es una tarea popular en el campo del aprendizaje automático (ML) y la inteligencia artificial (AI), y ocurre cuando los resultados son variables categóricas. Hay muchos modelos diferentes que intentan sacar algunas conclusiones de los valores observados, por lo que los algoritmos de clasificación predicen etiquetas de clase categóricas y las usan para clasificar nuevos datos.

Los modelos de clasificación populares que incluyen la regresión logística, el árbol de decisiones, el bosque aleatorio, la máquina de vectores de soporte (SVM), el perceptrón multicapa, el bayesiano ingenuo y las redes neuronales se aplican de manera eficiente y precisa a muchos problemas industriales y científicos.

En particular, la aplicación de ML en astronomía es muy útil para la clasificación, agrupación y limpieza de datos. Esto se debe a que, después de aprender a utilizar las computadoras, pueden realizar automáticamente estas tareas con mayor precisión y rapidez que los operadores humanos.

READ  Descubiertas dos nuevas radiogalaxias gigantes | Astronomía

Con esto en mente, en este documento revisaremos algunos de estos populares algoritmos de clasificación y luego aplicaremos algunos de ellos a los datos de observación de estrellas variables y variables RR Lyrae del sondeo SDSS. A modo de comparación, calculamos la precisión y la puntuación F1 de los modelos utilizados.

Mohammed H. Zhoolideh Haghighi

Comentarios: Actas basadas en conferencias presentadas en el taller de reunión de astronomía de ICRANet-ISFAHAN, publicadas en Transacciones de astronomía y astrofísica
Asignaturas: Instrumentos y Métodos Astrofísicos (astro-ph.IM); Astrofísica Solar y Estelar (astro-ph.SR); Física Computacional (physics.comp-ph); Análisis de Datos, Estadística y Probabilidad (physics.data-an)
Cita: arXiv:2302.11573 [astro-ph.IM] (o arXiv:2302.11573v1 [astro-ph.IM] para esta versión)
https://doi.org/10.48550/arXiv.2302.11573
Atentos para saber más
Historial de envíos
Publicado por: Mohammad Hossain Sulideh Haqiqi
[v1] miércoles, 22 de febrero de 2023 11:15:31 UTC (115 KB)
https://arxiv.org/abs/2302.11573

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Scroll al inicio