Star Formation and Morphological Properties of Galaxies in the Pan-STARRS 3π Survey. I. A Machine-learning Approach to Galaxy and Supernova Classification
Notice bibliographique
Résumé
Abstract We present a classification of galaxies in the Pan-STARRS1 (PS1) 3π survey based on their recent star formation history and morphology. Specifically, we train and test two Random Forest (RF) classifiers using photometric features (colors and moments) from the PS1 data release 2. The labels for the morphological classification are taken from Huertas-Company et al., while labels for the star formation fraction (SFF) are from the Blanton et al. catalog. We find that colors provide more predictive accuracy than photometric moments. We morphologically classify galaxies as either early- or late-type, and our RF model achieves a 78% classification accuracy. Our second model classifies galaxies as having either a low-to-moderate or high SFF. This model achieves an 89% classification accuracy. We apply both RF classifiers to the entire PS1 3π dataset, which allows us to assign two scores to each PS1 source: P HSFF, which quantifies the probability of having a high SFF; and P spiral, which quantifies the probability of having a late-type morphology. Finally, as a proof of concept, we apply our classification framework to supernova (SN) host galaxies from the Zwicky Transient Factory and the Lick Observatory Supernova Search samples. We show that by selecting P HSFF or P spiral, it is possible to significantly enhance or suppress the fraction of core-collapse SNe (or thermonuclear SNe) in the sample with respect to random guessing. This result demonstrates how contextual information can aid transient classifications at the time of first detection. In the current era of spectroscopically starved time-domain astronomy, prompt automated classification is paramount. Our table is available at 10.5281/zenodo.3990545 .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».