摘要
数十年来，行星识别工作一直由天文学专家和研究人员借助专业设备完成。随着计算方法的发展以及对太空任务卫星数据的可获取性提升，这一局面已发生改变。例如，美国国家航空航天局（NASA）的系外行星探索计划为我们提供了大量天体数据，有力支持了空间探索工作。其中一项备受关注的任务是开普勒（Kepler）任务。自2007年任务启动以来，已发现超过4000颗凌星系外行星。该任务构建了一个庞大的发现数据库，使我们能够基于天体的尺寸、接收到的恒星辐照通量、恒星类型及轨道周期等参数，计算行星出现频率。这些信息被系统收录于《开普勒天体信息累积数据集》（Cumulative Kepler Object of Information dataset）中。研究中比较了四种基本机器学习模型：支持向量机（Support Vector Machines）、随机森林分类器（Random Forest Classifiers）、AdaBoost 和深度神经网络（Deep Neural Networks）。最终，AdaBoost 分类器被确定为最优模型，其 F-1 得分为 0.98，表现出优异的分类性能。