Meneroka keberkesanan diskriminan fisher dalam pengelasan morfologi galaksi
Salah satu cabaran terbesar dalam astronomi adalah pengelasan galaksi dengan tepat, terutamanya dalam membezakan antara jenis galaksi yang berbeza. Terdapat pelbagai algoritma kompleks yang telah menunjukkan prestasi tinggi dalam menjalankan tugas pengelasan, namun kerumitan algoritma ini kebiasaann...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Penerbit Universiti Kebangsaan Malaysia
2025
|
| Online Access: | http://journalarticle.ukm.my/25908/ http://journalarticle.ukm.my/25908/1/SMT%2012.pdf |
| Summary: | Salah satu cabaran terbesar dalam astronomi adalah pengelasan galaksi dengan tepat, terutamanya dalam membezakan antara jenis galaksi yang berbeza. Terdapat pelbagai algoritma kompleks yang telah menunjukkan prestasi tinggi dalam menjalankan tugas pengelasan, namun kerumitan algoritma ini kebiasaannya mengambil masa pemprosesan yang lebih lama dan sukar untuk difahami. Kajian kami menangani isu ini dengan meneroka keberkesanan diskriminan Fisher, suatu algoritma yang jauh lebih mudah dalam menjalankan pengelasan morfologi galaksi. Kami menguji empat algoritma pembelajaran mesin: diskriminan Fisher, Rangkaian Neural Buatan (ANN), Pokok Keputusan Tergalak (BDT) dan k-jiran terdekat (kNN) untuk mengelaskan galaksi berdasarkan bentuk bonjol pusat. Dengan menggunakan data dari Tinjauan Langit Digital Sloan (SDSS), kami menguji lima transformasi pemboleh ubah pra-pemprosesan: penormalan, nyahkorelasi, analisis komponen utama (PCA), penyeragaman dan Gaussanisasi, serta mengelaskan bentuk bonjol pusat galaksi kepada bentuk bulat atau tiada bonjol, berdasarkan Pokok Keputusan Galaxy Zoo. Apabila dibandingkan dengan label daripada Galaxy Zoo 2 (GZ2), diskriminan Fisher dengan transformasi penyeragaman memperoleh skor kejituan tertinggi iaitu 0.9310, melebihi ANN, BDT dan kNN masing-masing setinggi 1.93%, 0.42% dan 3.08%. |
|---|