《表3 模型训练时间:基于XGBoost算法的恒星/星系分类研究》
从通过仿真实验得出的表2中可以看出,XGBoost的星系分类准确率要优于FT尤其是在暗星等区间,XGBoost相比FT提高了近10%的准确率.而与其他较为先进的DBN[12]、SDAE、RF、Adaboost、GBDT相比,在modelMag值为20.5–21的最暗星等区间,也提高了2%–5%的星系分类准确率,由此可见,XGBoost算法模型具有更强的泛化能力,在恒星星系分类问题上的表现优于其他算法.另外,本文利用modelMag属性值为14–19的约88万条数据,来测试XGBoost、GBDT和Adaboost在亮星等数据集上训练模型时的效率.使用亮源是因为在暗星等或者最暗星等数据量小的数据集上,对比结果差异不明显.结果如表3所示.
图表编号 | XD0043003500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.03.01 |
作者 | 李超、张文辉、林基明 |
绘制单位 | 桂林电子科技大学信息与通信工程学院、桂林电子科技大学认知无线电与信息处理教育部重点实验室、桂林电子科技大学广西云计算与大数据协同创新中心、桂林电子科技大学广西高校云计算与复杂系统重点实验室、桂林电子科技大学信息与通信工程学院 |
更多格式 | 高清、无水印(增值服务) |