Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias
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.
| Main Authors: | , |
|---|---|
| Format: | Digital revista |
| Language: | Portuguese |
| Published: |
Sociedade Brasileira de Matemática Aplicada e Computacional
2020
|
| Online Access: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S2179-84512020000100117 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|