Análise comparativa de métodos de aprendizado de máquina para a identificação de exoplanetas em trânsito: avaliação da eficácia de algoritmos de classificação

Abstract

ResumoA busca por exoplanetas, planetas que orbitam estrelas fora do nosso sistema solar, tem sido um campo de pesquisa dinâmico na astronomia contemporânea. Nos últimos vinte e cinco anos, progressos notáveis foram alcançados, impulsionados pelo desenvolvimento de telescópios espaciais de alta precisão, fornecendo informações sobre a população de exoplanetas e transformando a compreensão do universo. A detecção de exoplanetas durante trânsitos revela dados cruciais sobre suas atmosferas e composição. Isso tem despertado um interesse crescente na análise de conjuntos de dados provenientes de missões da NASA, com cientistas de dados e entusiastas de aprendizado de máquina explorando novas formas de interpretar esses dados e prever anomalias. Embora os algoritmos de aprendizado de máquina ofereçam uma abordagem promissora para a identificação automatizada de exoplanetas, a falta de interpretabilidade desses métodos tem sido uma limitação significativa. Portanto, este estudo propõe uma análise comparativa dos métodos de aprendizado de máquina aplicados à identificação de exoplanetas em trânsito, com foco na avaliação da eficácia dos algoritmos de classificação, utilizando cinco tipos de métodos de aprendizado de máquina (Naive Bayes, K-Nearest Neighbors, Árvore de decisão, Random Forest e Regressão logística) técnicas de pré-processamento de dados e otimização por meio de hiperparametros. Esta pesquisa enfatizou a importância da análise comparativa para aprimo rar a identificação e categorização de exoplanetas. Foi observado que a qualidade dos dados é crucial para o desempenho dos modelos de aprendizado de máquina, destacando a necessidade de manter altos padrões de integridade dos dados em pesquisas astronômicas.