Статья посвящена решению задачи автоматической классификации астрономических объектов (звезд, галактик и квазаров) на основе фотометрических данных с использованием нейросетевой модели. Актуальность работы обусловлена стремительным ростом объемов астрономических наблюдений, делающим ручную классификацию практически невыполнимой, а также развитием методов машинного и глубокого обучения, открывающих новые возможности для автоматизации анализа астрономических каталогов. Задача осложняется высокой вариативностью фотометрических признаков и частичным перекрытием характеристик между классами объектов. В качестве источника данных использован общедоступный датасет Stellar Classification Dataset с платформы Kaggle. Данные получены из обзора Sloan Digital Sky Survey и представляют собой таблицу из 100 000 объектов, каждый из которых описывается набором физических и наблюдательных параметров. Целевой признак (метка класса) принимает одно из трех значений. Для построения нейросетевой модели классификации использован язык программирования Python, а также библиотеки и фреймворки Keras, TensorFlow, Scikit-learn, NumPy, Pandas и Matplotlib. Нейросетевая модель выполнена в виде многослойного персептрона, включающего три скрытых слоя с функцией активации ReLU и механизмом Dropout для предотвращения переобучения. Признаковое пространство дополнено цветовыми индексами, позволяющими модели учитывать форму спектра объекта. Построенная модель достигла точности 97% на валидационной выборке данных. В течение всего процесса ее обучения наблюдалась близость значений потерь на обучающей и валидационной выборках данных Это свидетельствует об отсутствии выраженного переобучения, что подтверждается стабилизацией обеих кривых на уровне около 0,1 к концу тридцатой эпохи обучения. После построения нейросетевой модели проведен анализ ее эффективности. Для этого построена матрица ошибок классификации, а также для каждого класса рассчитаны значения метрик accuracy, precision, recall и F1-score. Анализ матрицы ошибок и указанных метрик выявил характерные трудности при разграничении галактик и квазаров, обусловленные перекрытием их цветовых индексов, и обозначил направления для дальнейшего совершенствования модели: расширение признакового пространства, применение более сложных нейросетевых архитектур, адаптация модели для обработки других наборов данных, а также применение методов интерпретируемости моделей. Практическая значимость работы состоит в возможности применения разработанного решения для автоматизированной обработки больших каталогов астрономических наблюдений.
This article explores the problem of automatically classifying astronomical objects (stars, galaxies, and quasars) based on photometric data using a neural network model. The relevance of this work stems from the rapid growth of astronomical observations, making manual classification virtually impossible, and the development of machine and deep learning methods, which offer new opportunities for automating the analysis of astronomical catalogs. The task is complicated by the high variability of photometric features and the partial overlap of characteristics between object classes. The publicly available Stellar Classification Dataset from the Kaggle platform was used as the data source. The data, obtained from the Sloan Digital Sky Survey, is a table of 100,000 objects, each described by a set of physical and observational parameters. The target feature (class label) takes one of three values. The Python programming language, as well as the Keras, TensorFlow, Scikit-learn, NumPy, Pandas, and Matplotlib libraries and frameworks, were used to build the neural network classification model. The neural network model is implemented as a multilayer perceptron, comprising three hidden layers with a ReLU activation function and a dropout mechanism to prevent overfitting. The feature space is supplemented with color indices, allowing the model to account for the shape of the object's spectrum. The constructed model achieved 97% accuracy on the validation data set. Throughout the training process, the loss values for the training and validation data sets were close. This indicates the absence of significant overfitting, as confirmed by the stabilization of both curves at approximately 0.1 by the end of the 30th training epoch. After constructing the neural network model, its effectiveness was analyzed. For this purpose, a classification error matrix was constructed, and the accuracy, precision, recall, and F1-score metrics were calculated for each class. An analysis of the error matrix and the aforementioned metrics revealed inherent difficulties in distinguishing galaxies from quasars due to overlapping color indices. This analysis also identified areas for further model improvement: expanding the feature space, applying more complex neural network architectures, adapting the model to process other datasets, and applying model interpretability methods. The practical significance of this work lies in the potential application of the developed solution for automated processing of large catalogs of astronomical observations.