The StackPip Framework for Hybrid Ensemble Learning in Stellar Classification

तकनीकी सारांश: तारकीय वर्गीकरण के लिए हाइब्रिड एन्सेम्बल लर्निंग हेतु स्टैकपिप (StackPip) फ्रेमवर्क

समस्या विवरण
आकाशीय पिंडों—विशेष रूप से तारों, आकाशगंगाओं और क्वासरों (quasars)—का वर्गीकरण करना खगोल भौतिकी में एक मौलिक चुनौती है। पारंपरिक विधियाँ, जैसे कि मॉर्गन-कीनन (MK) प्रणाली और मैन्युअल स्पेक्ट्रल विश्लेषण, श्रम-साध्य, समय लेने वाली हैं, और आधुनिक खगोलीय सर्वेक्षणों जैसे कि स्लोअन डिजिटल स्काई सर्वे (SDSS) से प्राप्त विशाल डेटा के साथ तालमेल बिठाने में संघर्ष करती हैं। SDSS डेटा रिलीज़ 17 (DR-17) उच्च-आयामी (high-dimensional) डेटासेट प्रस्तुत करता है जिसके लिए स्वचालित, स्केलेबल और सटीक वर्गीकरण तकनीकों की आवश्यकता होती है। हालांकि पहले भी सुपरवाइज्ड लर्निंग का उपयोग किया गया है, यह अध्ययन अनसुपरवाइज्ड तकनीकों को उन्नत एन्सेम्बल लर्निंग के साथ एकीकृत करके ओवरफिटिंग जोखिमों और डेटा लेबलिंग चुनौतियों को कम करने के लिए एक मजबूत ढांचे की आवश्यकता को संबोधित करता है।

कार्यप्रणाली
लेखक स्टैकपिप (StackPip) फ्रेमवर्क का प्रस्ताव करते हैं, जो अनसुपरवाज़्ड लर्निंग, फीचर इंजीनियरिंग और एन्सेम्बल-आधारित मशीन लर्निंग का संयोजन करने वाला एक हाइब्रिड दृष्टिकोण है। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

1. डेटा स्रोत और प्रीप्रोसेसिंग: अध्ययन SDSS DR-17 डेटासेट का उपयोग करता है, जिसमें 100,000 इंस्टेंस शामिल हैं जिनमें राइट असेंशन (Right Ascension), डिक्लिनेशन (Declination), फोटोमेट्रिक फिल्टर (u, g, r, i, z) और रेडशिफ्ट (Redshift) जैसे फीचर्स शामिल हैं। डेटा का अनिवेरिएट (univariate) और मल्टीवेरिएट विश्लेषण, आउटलियर डिटेक्शन के लिए बॉक्स प्लॉट्स, और आयामीता विज़ुअलाइज़ेशन के लिए t-SNE के साथ एक्सप्लोरेटरी डेटा एनालिसिस (EDA) किया जाता है।
2. फीचर इंजीनियरिंग और चयन:
   • फीचर निर्माण: फोटोमेट्रिक बैंड्स के बीच अंतर (जैसे $g-r$, $i-z$, $u-r$, $i-r$, $z-r$) की गणना करके नए फीचर्स निकाले गए।
   • आयामीता न्यूनीकरण (Dimensionality Reduction): डेटा में 95% और 98% वेरिएंस को संरक्षित करने के लिए प्रिंसिपल कंपोनेंट एनालिसिस (PCA) लागू किया गया।
   • नॉर्मलाइजेशन और रेगुलराइजेशन: स्केल बायस को रोकने के लिए डेटा को [0, 1] रेंज में नॉर्मलाइज किया गया, और मॉडल की जटिलता को कम करने तथा ओवरफिटिंग को रोकने के लिए रेगुलराइजेशन तकनीकों का उपयोग किया गया।
3. मॉडल आर्किटेक्चर:
   • बेसलाइन और अनसुपरवाइज्ड मॉडल: अध्ययन ने बेसलाइन मॉडल (डमी क्लासिफायर) और KNN जैसे अनसुपरवाइज्ड तकनीकों का मूल्यांकन किया।
   • एन्सेम्बल मॉडल: निर्णय वृक्ष (Decision Trees), रैंडम फॉरेस्ट (Random Forest), एडाबूसट (AdaBoost), XGBoost, ग्रेडिएंट बूस्टिंग और एक स्टैकिंग क्लासिफायर (Stacking Classifier) सहित एक व्यापक suite ऑफ एन्सेम्बल एल्गोरिदम का परीक्षण किया गया।
   • पाइपलाइनिंग: डेटा प्रीप्रोसेसिंग और फीचर इंजीनियरिंग से लेकर मॉडल ट्रेनिंग और इवैल्यूएशन तक के वर्कफ्लो को स्वचालित करने के लिए एक पाइपलाइन फ्रेमवर्क लागू किया गया, जिससे निरंतरता और दक्षता सुनिश्चित हुई।
4. प्रायोगिक डिजाइन: मजबूती का आकलन करने के लिए डेटासेट को दो अलग-अलग ट्रेनिंग/टेस्टिंग/वैलिडेशन अनुपातों में विभाजित किया गया:
   • अनुपात (i): 60% ट्रेनिंग, 20% टेस्टिंग, 20% वैलिडेशन।
   • अनुपात (ii): 70% ट्रेनिंग, 20% टेस्टिंग, 10% वैलिडेशन।

प्रमुख योगदान

• हाइब्रिड फ्रेमवर्क: स्टैकपिप फ्रेमवर्क का विकास, जो कई बेस लर्नर्स की शक्तियों का लाभ उठाने के लिए फीचर इंजीनियरिंग को एक स्टैकिंग क्लासिफायर मेटा-मॉडल के साथ एकीकृत करता है।
• तुलनात्मक विश्लेषण: दो अलग-अलग डेटा स्प्लिट रेश्यो के माध्यम से दस अलग-अलग मशीन लर्निंग दृष्टिकोणों (डमी क्लासिफायर से लेकर जटिल एन्सेम्बल विधियों तक) का कठोर तुलनात्मक विश्लेषण।
• फीचर महत्व: "रेडशिफ्ट" को सबसे महत्वपूर्ण फीचर (फीचर इम्पॉर्टेंस में ~0.58–0.59 का योगदान) के रूप में पहचाना गया, साथ ही फोटोमेट्रिक अंतर ($z-r$, $g-r$, $u-r$) को वर्गीकरण सटीकता के लिए महत्वपूर्ण निर्धारक के रूप में पहचाना गया।
• पाइपलाइन कार्यान्वयन: यह प्रदर्शन कि कैसे पाइपलाइनिंग वर्गीकरण प्रक्रिया को सुव्यवस्थित करती है, मैन्युअल हस्तक्षेप को कम करती है और पुनरुत्पादकता (reproducibility) में सुधार करती है।

परिणाम
अध्ययन निम्नलिखित प्रदर्शन मेट्रिक्स की रिपोर्ट करता है:

• बेसलाइन प्रदर्शन: डमी क्लासिफायर ने उच्च लॉस और कम सटीकता के साथ बेसलाइन के रूप में कार्य किया, जो उन्नत एल्गोरिदम की आवश्यकता की पुष्टि करता है।
• इंडिविजुअल बनाम एन्सेम्बल: एन्सेम्बल विधियों ने स्टैंडअलोन मॉडल (जैसे लॉजिस्टिक रिग्रेशन, SVM) की तुलना में लगातार बेहतर प्रदर्शन किया।
  • XGBoost और Random Forest ने संबंधित अनुपातों में कम टेस्ट लॉस (क्रमशः 0.09 और 0.085) प्राप्त किया।
  • अनुपात (ii) (70:20:10 स्प्लिट) ने अनुपात (i) की तुलना में आम तौर पर बेहतर प्रदर्शन किया।
• स्टैकिंग क्लासिफायर: स्टैकिंग क्लासिफायर ने सभी परीक्षण किए गए तरीकों में उच्चतम सटीकता प्राप्त की, जो 98% तक पहुँच गई।
• पाइपलाइनिंग प्रदर्शन: जब टेस्ट सेट पर पूर्ण पाइपलाइन (फीचर इंजीनियरिंग और स्टैकिंग सहित) लागू की गई, तो फ्रेमवर्क ने 97% की समग्र सटीकता प्राप्त की, जिसमें गैलेक्सीज़ के लिए 0.98, QSOs के लिए 0.94 और स्टार्स के लिए 0.99 का F1-स्कोर रहा।

महत्व और दावे
यह पेपर दावा करता है कि प्रस्तावित स्टैकपिप फ्रेमवर्क तारकीय वर्गीकरण के लिए एक स्केलेबल और कुशल समाधान प्रदान करता है, जो पारंपरिक मैन्युअल विधियों और मानक मशीन लर्निंग दृष्टिकोणों से काफी बेहतर है। 97-98% सटीकता प्राप्त करके, फ्रेमवर्क यह प्रदर्शित करता है कि फीचर इंजीनियरिंग को हाइब्रिड एन्सेम्बल लर्निंग के साथ जोड़ना उच्च-आयामी और जटिल खगोलीय डेटा को प्रभावी ढंग से संभाल सकता है। लेखक इस कार्य को आकाशीय पिंडों के वर्गीकरण को स्वचालित करने की दिशा में एक कदम के रूप में देखते हैं, जिससे मैन्युअल स्पेक्ट्रल विश्लेषण से जुड़ी समय और ऊर्जा की खपत कम होती है।

अध्ययन निष्कर्ष निकालता है कि जबकि XGBoost और रैंडम फॉरेस्ट जैसे एन्सेम्बल मॉडल अत्यधिक प्रभावी हैं, स्टैकिंग क्लासिफायर बेहतर मजबूती प्रदान करता है। लेखक सुझाव देते हैं कि भविष्य के कार्यों में प्रदर्शन को और बढ़ाने के लिए डीप लर्निंग आर्किटेक्चर (CNNs, RNNs) और ग्रिड या रैंडम सर्च के माध्यम से हाइपरपैरामीटर ऑप्टिमाइजेशन का पता लगाया जा सकता है।