A descoberta de exoplanetas habitáveis tem sido um tema acalorado na astronomia. Os métodos tradicionais para identificação de exoplanetas incluem o método de oscilação, imagem direta, microlente gravitacional, etc., que não apenas exigem um investimento considerável de mão de obra, tempo e dinheiro, mas também são limitados pelo desempenho dos telescópios astronômicos.
Neste estudo, propusemos a ideia de usar métodos de aprendizado de máquina para identificar exoplanetas. Usamos o conjunto de dados Kepler coletado pela NASA do Observatório Espacial Kepler para conduzir o aprendizado supervisionado, que prevê a existência de candidatos a exoplanetas como uma tarefa de classificação de três categorias, usando árvore de decisão, floresta aleatória, Bayes ingênuo e rede neural; usamos outro conjunto de dados da NASA composto pelos dados de exoplanetas confirmados para conduzir o aprendizado não supervisionado, que divide os exoplanetas confirmados em diferentes aglomerados, usando o agrupamento k-means.
Como resultado, nossos modelos alcançaram acurácias de 99,06%, 92,11%, 88,50% e 99,79%, respectivamente, na tarefa de aprendizado supervisionado e obtiveram com sucesso agrupamentos razoáveis na tarefa de aprendizado não supervisionado.
Publicado em 10/04/2022 13h47
Artigo original:
Estudo original: