Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias
AUTOR(ES)
MUSETTI, M.; IZBICKI, R.
FONTE
TEMA (São Carlos)
DATA DE PUBLICAÇÃO
2020-04
RESUMO
RESUMO Um problema fundamental em cosmologia é estimar redshifts de galáxias com base em dados fotométricos. Por exemplo a Sloan Digital Sky Survey (SDSS) já coletou dados fotométricos relativos a cerca de um bilhão de objetos para os quais é necessário estimar os respectivos redshifts. Tradicionalmente, essa tarefa é resolvida utilizando-se métodos de aprendizado de máquina. Neste trabalho, mostramos como métodos existentes podem ser combinados de forma a se obter estimativas ainda mais precisas para os redshifts de galáxias. Abordamos este problema sob duas éticas: (i) estimação da regressão do redshift y nas covariáveis fotométricas x, E [ Y | x ], e (ii) estimação da função densidade condicional f ( y | x ). Aplicamos as técnicas propostas para um banco de dados provenientes do SDSS e concluímos que as predições combinadas são de fato mais precisas que os métodos individuais.
Documentos Relacionados
- Aprendizado semi-supervisionado e não supervisionado para análise de dados de expressão gênica
- Aprendizado supervisionado incremental de Redes Bayesianas para mineração de dados.
- Orpheo : uma estrutura de trabalho para integração dos paradigmas de aprendizado supervisionado e não-supervisionado
- Aprendizado supervisionado com conjuntos de dados desbalanceados
- Uma abordagem evolucionária para aprendizado semi-supervisionado em máquinas de vetores de suporte