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

Abstract

A 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.