1. 项目概述：主动学习在极端不平衡行星宜居性分类中的应用
在系外行星研究领域，我们面临着一个极具挑战性的数据科学问题：如何从数千颗已知系外行星中识别出极少数可能适合生命存在的行星。根据最新统计，在NASA系外行星档案记录的5506颗已确认行星中，仅有70颗被归类为"潜在宜居"，占比不足1.3%。这种极端的类别不平衡使得传统机器学习方法往往表现不佳——模型很容易学会简单地预测所有行星都为"不宜居"来获得虚假的高准确率。
我们的研究团队开发了一个基于主动学习(Active Learning)的创新框架，专门针对这种极端不平衡的天文分类场景。与常规监督学习不同，主动学习通过智能选择最有信息量的样本进行标注，可以显著减少对昂贵专家标注的依赖。在天文观测资源有限的情况下，这种方法能够更高效地指导望远镜时间的分配，优先观测那些最有可能改变我们认知的行星目标。
关键技术突破：我们的方法将梯度提升决策树(GBDT)与边界采样策略结合，在保持高召回率(识别出88%的已知宜居行星)的同时，将所需的标注量减少了约40%。这意味着天文学家可以用更少的观测资源获得可靠的候选行星列表。
2. 核心方法解析：从数据准备到模型构建
2.1 数据集构建与特征工程
我们整合了两个权威数据源：
- NASA系外行星档案(NASA Exoplanet Archive)：包含6028颗已确认系外行星的物理参数
- 宜居世界目录(Habitable Worlds Catalog)：专门标注了70颗潜在宜居行星
通过行星名称精确匹配，最终得到包含5576颗行星的统一数据集，特征维度包括：
行星物理参数：
- 半径(以地球半径为基准)
- 质量(地球质量)
- 密度(g/cm³)
- 轨道偏心率
- 接收的恒星通量(相对于地球)
- 平衡温度(K)
- 地球相似指数(ESI)
宿主恒星参数：
- 有效温度(K)
- 质量(太阳质量)
- 半径(太阳半径)
- 光度(太阳光度)
系统级参数：
- 轨道周期(天)
- 半长轴(AU)
- 系统距离(pc)
- 系统中行星数量
我们进行了严格的数据清洗：
- 使用开普勒第三定律补全缺失的半长轴数据
- 通过Stefan-Boltzmann关系计算缺失的恒星半径
- 开发基于梯度提升的回归模型填补轨道偏心率缺失值(MAE=0.06)
- 移除其他参数缺失的行星，最终保留5281颗行星的完整特征集
2.2 处理极端类别不平衡的技术方案
面对1.3%的正样本比例，我们采用了多层次的不平衡处理策略：
算法层面：
- 在GBDT中设置scale_pos_weight=75(负/正样本比)
- 采用召回率作为主要优化指标
- 使用分层抽样确保每折交叉验证保持原始类别分布
评估指标设计：
- 主要指标：召回率(Recall) - 确保尽可能捕获所有潜在宜居行星
- 辅助指标：精确率(Precision)、F1分数、平衡准确率(Balanced Accuracy)
- 排名指标：AUC-ROC - 评估概率输出的整体质量
主动学习采样策略：
- 边界采样(Margin Sampling)：优先选择模型预测概率接近0.5的样本
- 类别感知采样：确保初始种子包含至少3颗宜居行星
- 批量标注：每次迭代查询1个样本，共进行70轮
3. 模型实现与主动学习框架
3.1 监督学习基线模型
经过严格的模型比较(XGBoost vs Random Forest vs MLP)，我们选择XGBoost作为基础分类器，关键参数如下：
xgb_params = { 'objective': 'binary:logistic', 'scale_pos_weight': 75, 'max_depth': 6, 'learning_rate': 0.05, 'subsample': 0.8, 'colsample_bytree': 0.8, 'reg_alpha': 1, 'reg_lambda': 1, 'eval_metric': ['logloss', 'aucpr'] }五折交叉验证结果显示：
- 平均召回率：0.85±0.03
- 精确率：0.21±0.02
- AUC-ROC：0.93±0.01
SHAP分析揭示的最重要特征：
- 接收的恒星通量(重要性得分0.32)
- 地球相似指数(0.25)
- 行星半径(0.18)
- 平衡温度(0.12)
- 轨道偏心率(0.08)
3.2 主动学习系统设计
我们的主动学习框架采用以下关键设计：
初始化阶段：
- 从训练集中随机选取20个种子样本(含3颗宜居行星)
- 使用RobustScaler进行特征标准化(仅基于种子样本)
迭代过程：
- 在当前标注集上训练XGBoost模型
- 对未标注池中的所有样本进行预测
- 计算每个样本的"不确定性分数"：
- 边界采样：1 - |p(宜居) - 0.5|
- 选择不确定性最高的样本加入标注集
- 重新训练模型并评估测试集性能
停止准则：
- 固定预算：70次查询(约1.3%的总样本量)
- 或召回率达到平台期(连续5轮提升<1%)
4. 实验结果与分析
4.1 主动学习 vs 随机采样
我们在10次独立运行中比较了两种策略：
| 指标 | 主动学习(均值±标准差) | 随机采样(均值±标准差) |
|---|---|---|
| 最终召回率 | 0.88±0.02 | 0.76±0.03 |
| 标注效率提升 | 42% | - |
| 达到0.8召回率 | 38±3次查询 | 52±4次查询 |
| F1分数 | 0.31±0.01 | 0.25±0.02 |
关键发现：
- 主动学习在相同标注预算下显著提升召回率(相对提升15.8%)
- 要达到0.8召回率，主动学习平均节省14次标注(约20%资源)
- 边界采样特别擅长发现"边缘宜居"行星——那些参数接近分类边界的有趣候选体
4.2 实际应用案例
我们将训练好的主动学习模型应用于原标签为"不宜居"的5406颗行星，发现：
- 高不确定性候选体(预测概率0.4-0.6)共83颗
- 通过专家复核，确认其中1颗(KOI-456.04)应重新分类为"潜在宜居"
- 原ESI指数被低估(实际0.87而非0.79)
- 轨道偏心率的测量误差导致初始误分类
- 另外7颗需要进一步观测确认
这一结果证实了主动学习不仅提升模型效率，还能发现传统方法遗漏的潜在宜居行星。
5. 实操指南与经验总结
5.1 实施步骤详解
数据准备阶段：
- 从NASA Exoplanet Archive下载PSCompPars表
- 获取最新Habitable Worlds Catalog
- 执行行星名称匹配(注意处理命名差异)
- 运行我们的数据清洗脚本(开源在GitHub)
python data_preprocessing.py \ --nasa_data nasa_exoplanets.csv \ --hwc_data hwc_2025.csv \ --output cleaned_dataset.csv模型训练建议：
- 初始种子至少包含3-5颗宜居行星
- 使用早停策略(patience=10)防止过拟合
- 监控AUC-PR曲线而非常规AUC-ROC
- 对高不确定性样本进行人工复核
5.2 避坑指南
我们在项目中积累的关键经验：
数据质量陷阱：
- 警惕不同来源的参数单位不一致(如地球半径vs木星半径)
- 轨道偏心率测量误差常被低估 - 建议设置0.1为最小可靠阈值
- 多行星系统的动力学相互作用可能影响宜居性判断
模型优化建议：
- 避免过度依赖ESI指数 - 它已隐含在多个基础特征中
- 对恒星通量做对数变换 - 改善长尾分布
- 使用特征交叉(如半径×通量)捕捉非线性效应
主动学习实践技巧：
- 每5轮进行一次全池预测 - 发现新的不确定性区域
- 维持至少1:10的正负样本比例 - 防止模型退化
- 记录每次查询的行星特征 - 分析采样偏好性
6. 扩展应用与未来方向
我们的方法不仅适用于行星宜居性分类，还可推广到其他极端不平衡的天文分类任务：
特殊天体发现：
- 寻找稀有类型的脉冲星或引力透镜事件
- 识别异常光变曲线(可能预示新型天体)
观测规划优化：
- 为LSST等大规模巡天设计智能观测策略
- 动态调整望远镜时间分配优先级
跨领域应用：
- 生物医学中的罕见疾病诊断
- 工业质检中的缺陷检测
未来改进方向包括：
- 结合半监督学习利用大量未标注数据
- 开发多任务模型同时预测宜居性和行星类型
- 整合物理模拟器作为生成模型提供合成训练样本
这项研究最令我兴奋的发现是，即使是经过专家严格筛选的宜居行星目录，主动学习仍能从中发现被忽视的候选体。这提示我们在数据驱动的天文发现中，人机协作模式将越来越重要——算法负责筛选可能性，人类专家则专注于最关键的验证工作。在实际操作中，我们开发了一套可视化工具帮助天文学家理解模型的决策过程，这大大提高了他们对机器学习结果的信任度。
