White dwarf Random Forest classification through <i>Gaia</i> spectral coefficients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Context. The third data release of Gaia has provided approximately 220 million low resolution spectra. Among these, about 100 000 correspond to white dwarfs. The magnitude of this quantity of data precludes the possibility of performing spectral analysis and type determination by human inspection. In order to tackle this issue, we explore the possibility of utilising a machine learning approach, based on a Random Forest algorithm. Aims. Our goal is to analyse the viability of the Random Forest algorithm for the spectral classification of the white dwarf population within 100 pc from the Sun, based on the Hermite coefficients of Gaia spectra. Methods. We utilised the assigned spectral type from the Montreal White Dwarf Database for training and testing our Random Forest algorithm. Once validated, our algorithm model was applied to the rest of the unclassified white dwarfs within 100 pc. First, we started by classifying the two major spectral type groups of white dwarfs: hydrogen-rich (DA) and hydrogen-deficient (non-DA). Next, we explored the possibility of classifying the various spectral subtypes, including the secondary spectral types in some cases. Results. Our Random Forest classification presented a very high recall (>80%) for DA and DB white dwarfs, and a very high precision (>90%) for DB, DQ, and DZ white dwarfs. As a result we have assigned a spectral type to 9446 previously unclassified white dwarfs: 4739 DAs, 76 DBs (60 of them DBAs), 4437 DCs, 132 DZs, and 62 DQs (nine of them DQpec). Conclusions. Despite the low resolution of Gaia spectra, the Random Forest algorithm applied to the Gaia spectral coefficients proves to be a highly valuable tool for spectral classification.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle