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

Detalhes bibliográficos
Autor(a) principal: MUSETTI,M.
Data de Publicação: 2020
Outros Autores: IZBICKI,R.
Tipo de documento: Artigo
Idioma: por
Título da fonte: TEMA (Sociedade Brasileira de Matemática Aplicada e Computacional. Online)
Texto Completo: http://old.scielo.br/scielo.php?script=sci_arttext&pid=S2179-84512020000100117
Resumo: RESUMO Um problema fundamental em cosmologia é 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 quais é necessário estimar os respectivos redshifts. Tradicionalmente, essa tarefa é 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 duas éticas: (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.
id SBMAC-1_b62644ebd31b4e3f4477529747a01d72
oai_identifier_str oai:scielo:S2179-84512020000100117
network_acronym_str SBMAC-1
network_name_str TEMA (Sociedade Brasileira de Matemática Aplicada e Computacional. Online)
repository_id_str
spelling Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxiasaprendizado de máquinastackingfunções densidades condicionaiscosmologiaRESUMO Um problema fundamental em cosmologia é 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 quais é necessário estimar os respectivos redshifts. Tradicionalmente, essa tarefa é 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 duas éticas: (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.Sociedade Brasileira de Matemática Aplicada e Computacional2020-04-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S2179-84512020000100117TEMA (São Carlos) v.21 n.1 2020reponame:TEMA (Sociedade Brasileira de Matemática Aplicada e Computacional. Online)instname:Sociedade Brasileira de Matemática Aplicada e Computacionalinstacron:SBMAC10.5540/tema.2020.021.01.00117info:eu-repo/semantics/openAccessMUSETTI,M.IZBICKI,R.por2020-04-28T00:00:00Zoai:scielo:S2179-84512020000100117Revistahttp://www.scielo.br/temaPUBhttps://old.scielo.br/oai/scielo-oai.phpcastelo@icmc.usp.br2179-84511677-1966opendoar:2020-04-28T00:00TEMA (Sociedade Brasileira de Matemática Aplicada e Computacional. Online) - Sociedade Brasileira de Matemática Aplicada e Computacionalfalse
dc.title.none.fl_str_mv Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias
title Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias
spellingShingle Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias
MUSETTI,M.
aprendizado de máquina
stacking
funções densidades condicionais
cosmologia
title_short Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias
title_full Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias
title_fullStr Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias
title_full_unstemmed Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias
title_sort Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias
author MUSETTI,M.
author_facet MUSETTI,M.
IZBICKI,R.
author_role author
author2 IZBICKI,R.
author2_role author
dc.contributor.author.fl_str_mv MUSETTI,M.
IZBICKI,R.
dc.subject.por.fl_str_mv aprendizado de máquina
stacking
funções densidades condicionais
cosmologia
topic aprendizado de máquina
stacking
funções densidades condicionais
cosmologia
description RESUMO Um problema fundamental em cosmologia é 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 quais é necessário estimar os respectivos redshifts. Tradicionalmente, essa tarefa é 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 duas éticas: (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.
publishDate 2020
dc.date.none.fl_str_mv 2020-04-01
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://old.scielo.br/scielo.php?script=sci_arttext&pid=S2179-84512020000100117
url http://old.scielo.br/scielo.php?script=sci_arttext&pid=S2179-84512020000100117
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 10.5540/tema.2020.021.01.00117
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv text/html
dc.publisher.none.fl_str_mv Sociedade Brasileira de Matemática Aplicada e Computacional
publisher.none.fl_str_mv Sociedade Brasileira de Matemática Aplicada e Computacional
dc.source.none.fl_str_mv TEMA (São Carlos) v.21 n.1 2020
reponame:TEMA (Sociedade Brasileira de Matemática Aplicada e Computacional. Online)
instname:Sociedade Brasileira de Matemática Aplicada e Computacional
instacron:SBMAC
instname_str Sociedade Brasileira de Matemática Aplicada e Computacional
instacron_str SBMAC
institution SBMAC
reponame_str TEMA (Sociedade Brasileira de Matemática Aplicada e Computacional. Online)
collection TEMA (Sociedade Brasileira de Matemática Aplicada e Computacional. Online)
repository.name.fl_str_mv TEMA (Sociedade Brasileira de Matemática Aplicada e Computacional. Online) - Sociedade Brasileira de Matemática Aplicada e Computacional
repository.mail.fl_str_mv castelo@icmc.usp.br
_version_ 1752122220640993280

Registros relacionados