Metric learning strategies for the classification of T-Tauri Stars

El telescopio espacial: Satélite de Sondeo de Exoplanetas en Tránsito (TESS) permite la extracción de curvas de luz de alta calidad en estrellas con variaciones rápidas como las de tipo T-Tauri y otros objetos estelares jóvenes. Esto se hace con una cadencia de 30 minutos entre observaciones. Gracias a la calidad de los datos, se abre la posibilidad de explorar técnicas avanzadas de machine learning con el objetivo de identificar la morfología de las curvas de luz. En este proyecto implementamos la técnica de metric learning, "Mahalanobis Metric for Clustering" para transformar el espacio de características a traves de una métrica con la finalidad de separar las clases para mejorar la clasificación e interpretación. Nuestra implementación se prueba con éxito en los conjuntos de datos de "Iris" y "WineW del Repositorio UCI Machine Learning, dejando cierto margen de mejora al realizar pruebas en un conjunto de 728 curvas de luz extraídas de TESS. Además, realizamos un experimento de clasificación con los datos originales y transformados por la métrica. Los resultados muestran que la métrica mejora la clasificación en "Iris", la mejora parcialmente en "Wine" y no lo mejora para TESS.

• Autores: Cabrera García, Juan Felipe
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2021
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: eng
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/53059
• Acceso en línea: http://hdl.handle.net/1992/53059
• Palabra clave: Telescopios; Astrofísica; Estrellas; Espacios métricos; Aprendizaje automático (Inteligencia artificial); Ingeniería
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf