RESUMO. Um problema fundamental em cosmologiaé estimar redshifts de galáxias com base em dados fotométricos. Por exemplo a Sloan Digital Sky Survey (SDSS) já coletou dados fotométricos relativos a cerca de um bilhão de objetos para os quaisé necessário estimar os respectivos redshifts. Tradicionalmente, essa tarefaé resolvida utilizando-se métodos de aprendizado de máquina. Neste trabalho, mostramos como métodos existentes podem ser combinados de forma a se obter estimativas ainda mais precisas para os redshifts de galáxias. Abordamos este problema sob duasóticas: (i) estimação da regressão do redshift y nas covariáveis fotométricas x, E[Y |x], e (ii) estimação da função densidade condicional f (y|x). Aplicamos as técnicas propostas para um banco de dados provenientes do SDSS e concluímos que as predições combinadas são de fato mais precisas que os métodos individuais.Palavras-chave: aprendizado de máquina, stacking, funções densidades condicionais, cosmologia.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.