Python
Linguagem utilizada para preparar os dados, treinar a rede, avaliar o modelo e gerar as visualizações dos resultados.
Por dentro do AstroClassifier
Da observação astronômica à classificação
O AstroClassifier combina dados do SDSS e do WISE com técnicas de preparação de dados e uma rede neural desenvolvida em PyTorch para reconhecer padrões entre estrelas, galáxias e quasares.
PyTorch
Framework utilizado para construir e treinar a rede neural, realizar a propagação dos dados e otimizar seus parâmetros.
Scikit-learn
Utilizado no pré-processamento dos dados, incluindo codificação das classes e padronização das características de entrada.
SDSS
Fornece as medidas fotométricas ópticas utilizadas pelo modelo, incluindo as bandas u, g, r, i e z.
WISE
Acrescenta observações no infravermelho nas bandas W1, W2, W3 e W4, complementando as informações obtidas no óptico.
Rede neural
Recebe 20 características numéricas e produz probabilidades para três classes: GALAXY, QSO e STAR.
Arquitetura
Uma rede neural totalmente conectada
O modelo utiliza uma MLP — Multi-Layer Perceptron — composta por duas camadas ocultas. A arquitetura foi mantida relativamente simples para permitir treinamento rápido e interpretação clara do experimento.
Entrada
20
Características astronômicas utilizadas pela rede.
Camadas ocultas
64 → 64
Neurônios com ativação ReLU e dropout de 0,3.
Saída
3
GALAXY, QSO e STAR.
Treinamento
Como o modelo aprende
Os 10.000 objetos disponíveis foram separados em conjuntos de treinamento e teste. O conjunto de teste permaneceu fora do processo de ajuste da rede e foi utilizado posteriormente para avaliar o desempenho do modelo.
8.000 objetos
Utilizados no treinamento da rede neural.
2.000 objetos
Reservados para a avaliação final do modelo.
20 épocas
Passagens pelo conjunto de treinamento para ajuste dos pesos.
Fluxo dos dados
Do catálogo à avaliação
Cada etapa transforma os dados astronômicos até que eles possam ser utilizados pela rede e, posteriormente, avaliados de forma reproduzível.
1. Dados astronômicos
Informações do SDSS e do WISE formam o conjunto utilizado no experimento.
2. Preparação
Os valores são convertidos, tratados e organizados antes da separação entre treinamento e teste.
3. Padronização
O scaler é ajustado somente com os dados de treinamento e depois aplicado aos dados de teste, evitando que informações do conjunto de avaliação influenciem o pré-processamento.
4. Treinamento
A rede utiliza CrossEntropyLoss e o otimizador Adam para ajustar seus parâmetros durante 20 épocas.
5. Avaliação
Acurácia, matriz de confusão, curvas ROC e outras análises ajudam a compreender o comportamento do modelo no conjunto de teste.
6. Experiência didática
O site transforma os conceitos e resultados do projeto em uma experiência visual acessível, sem apresentar os exemplos demonstrativos como inferências realizadas em tempo real.