1 code implementation
•
10 Dec 2020
•
S. Mucesh,
W. G. Hartley,
A. Palmese,
O. Lahav,
L. Whiteway,
A. F. L. Bluck,
A. Alarcon,
A. Amon,
K. Bechtol,
G. M. Bernstein,
A. Carnero Rosell,
M. Carrasco Kind,
A. Choi,
K. Eckert,
S. Everett,
D. Gruen,
R. A. Gruendl,
I. Harrison,
E. M. Huff,
N. Kuropatkin,
I. Sevilla-Noarbe,
E. Sheldon,
B. Yanny,
M. Aguena,
S. Allam,
D. Bacon,
E. Bertin,
S. Bhargava,
D. Brooks,
J. Carretero,
F. J. Castander,
C. Conselice,
M. Costanzi,
M. Crocce,
L. N. da Costa,
M. E. S. Pereira,
J. De Vicente,
S. Desai,
H. T. Diehl,
A. Drlica-Wagner,
A. E. Evrard,
I. Ferrero,
B. Flaugher,
P. Fosalba,
J. Frieman,
J. García-Bellido,
E. Gaztanaga,
D. W. Gerdes,
J. Gschwend,
G. Gutierrez,
S. R. Hinton,
D. L. Hollowood,
K. Honscheid,
D. J. James,
K. Kuehn,
M. Lima,
H. Lin,
M. A. G. Maia,
P. Melchior,
F. Menanteau,
R. Miquel,
R. Morgan,
F. Paz-Chinchón,
A. A. Plazas,
E. Sanchez,
V. Scarpine,
M. Schubnell,
S. Serrano,
M. Smith,
E. Suchyta,
G. Tarle,
D. Thomas,
C. To,
T. N. Varga,
R. D. Wilkinson
We demonstrate that highly accurate joint redshift-stellar mass probability distribution functions (PDFs) can be obtained using the Random Forest (RF) machine learning (ML) algorithm, even with few photometric bands available.
BIG-bench Machine Learning
