Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias

Abstract

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.