Astronomy and Big Data: A Data Clustering Approach to Identifying Uncertain Galaxy Morphology

با شروع جمع‌آوری عظیم داده‌های کیهانی از طریق رسانه‌هایی مانند بررسی آسمان دیجیتال اسلون (SDSS)، طبقه‌بندی کهکشان‌ها تا حد زیادی با کمک جوامع علمی شهروندی مانند Galaxy Zoo انجام شده است. جستجوی خرد جمعیت برای چنین پردازش داده های بزرگ بسیار سودمند بوده است. با این حال، تجزیه و تحلیل یکی از مجموعه داده‌های طبقه‌بندی مورفولوژیکی باغ وحش کهکشان نشان داده است که اکثریت قابل‌توجهی از همه کهکشان‌های طبقه‌بندی‌شده با عنوان «نامشخص» برچسب‌گذاری شده‌اند.

این کتاب در مورد نحوه استفاده از داده‌کاوی، به‌طور خاص‌تر، گزارش می‌دهد. خوشه‌بندی، برای شناسایی کهکشان‌هایی که عموم مردم درجاتی از عدم قطعیت در مورد تعلق آن‌ها به یک نوع مورفولوژی یا دیگری نشان داده‌اند. این کتاب اهمیت انتقال بین تکنیک های مختلف داده کاوی را در یک گردش کار روشنگر نشان می دهد. این نشان می‌دهد که خوشه‌بندی، شناسایی ویژگی‌های متمایز در مجموعه داده‌های تحلیل‌شده، با اتخاذ یک الگوریتم انتخاب ویژگی جدید به نام انتخاب ویژگی افزایشی (IFS) را قادر می‌سازد. این کتاب استفاده از تکنیک‌های طبقه‌بندی پیشرفته، جنگل‌های تصادفی و ماشین‌های بردار پشتیبانی را برای اعتبارسنجی نتایج به‌دست‌آمده نشان می‌دهد. نتیجه گیری می شود که اکثریت قریب به اتفاق این کهکشان ها در واقع مورفولوژی مارپیچی با زیرمجموعه کوچکی هستند که به طور بالقوه متشکل از ستارگان، کهکشان های بیضی شکل یا کهکشان هایی از دیگر گونه های مورفولوژیکی هستند.

With the onset of massive cosmological data collection through media such as the Sloan Digital Sky Survey (SDSS), galaxy classification has been accomplished for the most part with the help of citizen science communities like Galaxy Zoo. Seeking the wisdom of the crowd for such Big Data processing has proved extremely beneficial. However, an analysis of one of the Galaxy Zoo morphological classification data sets has shown that a significant majority of all classified galaxies are labelled as “Uncertain”.

This book reports on how to use data mining, more specifically clustering, to identify galaxies that the public has shown some degree of uncertainty for as to whether they belong to one morphology type or another. The book shows the importance of transitions between different data mining techniques in an insightful workflow. It demonstrates that Clustering enables to identify discriminating features in the analysed data sets, adopting a novel feature selection algorithms called Incremental Feature Selection (IFS). The book shows the use of state-of-the-art classification techniques, Random Forests and Support Vector Machines to validate the acquired results. It is concluded that a vast majority of these galaxies are, in fact, of spiral morphology with a small subset potentially consisting of stars, elliptical galaxies or galaxies of other morphological variants.