Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previs?o do Redshift de Galáxias

摘要

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 bilh?o 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) estima??o da regress?o do redshift y nas covariáveis fotométricas x, E[Y|x] , e (ii) estima??o da fun??o densidade condicional f(y|x) . Aplicamos as técnicas propostas para um banco de dados provenientes do SDSS e concluímos que as predi??es combinadas s?o de fato mais precisas que os métodos individuais.