TDLight 分层变星分类器

一个用于天文变星分类的分层 LightGBM 分类器。该模型采用包含 7 个专门子模型的四层决策树结构，在 107 万个样本上通过 5 折交叉验证，对 10 个变星类别实现了 93.6% 的总体准确率（加权 F1 = 93.7%）。

⚡ 更新（2026-03）： 这是取代之前扁平 LightGBM 的新分层模型。分层架构将准确率从 92.5% 提升至 93.6%，同时保持快速的 CPU 推理能力。

架构

该分类器采用分层决策结构，每个节点都是一个独立的 LightGBM 模型：

                        init
                       /    \
                Non-var     Variable
                            /      \
                     Extrinsic    Intrinsic
                      /    \       /   |   \
                    ROT    EB    CEP  DSCT  RR   LPV
                          / \              / \   / \
                        EA   EW        RRAB RRC  M  SR

性能

在完整训练集（1,068,220 个样本）上的 5 折交叉验证结果：

早期分类（不完整光变曲线）

该模型支持对不完整光变曲线进行早期分类：

文件

输入特征

该模型期望使用 feets 从光变曲线中提取的 15 个特征：

使用方法

Python（pickle）

import pickle
import joblib
import numpy as np

# 加载所有子模型
MODEL_NAMES = ['init', 'variable', 'extrinsic', 'intrinsic', 'eb', 'rr', 'lpv']
models = {}
for name in MODEL_NAMES:
    models[name] = joblib.load(f'{name}.pkl')

with open('label_encoders.pkl', 'rb') as f:
    label_encoders = pickle.load(f)

def hierarchical_predict(X):
    \"\"\"使用分层模型预测 10 类标签。\"\"\"
    n = len(X)
    preds = np.array([''] * n, dtype=object)

    # 第一层：Non-var vs Variable
    le = label_encoders['init']
    p1 = le.inverse_transform(models['init'].predict(X))
    preds[p1 == 'Non-var'] = 'Non-var'

    mask_var = p1 == 'Variable'
    if not mask_var.any():
        return preds
    iv = np.where(mask_var)[0]

    # 第二层：Extrinsic vs Intrinsic
    le = label_encoders['variable']
    p2 = le.inverse_transform(models['variable'].predict(X[mask_var]))

    # Extrinsic 分支
    me = np.zeros(n, dtype=bool)
    me[iv[p2 == 'Extrinsic']] = True
    if me.any():
        le = label_encoders['extrinsic']
        p3 = le.inverse_transform(models['extrinsic'].predict(X[me]))
        ie = np.where(me)[0]
        preds[ie[p3 == 'ROT']] = 'ROT'
        mb = np.zeros(n, dtype=bool)
        mb[ie[p3 == 'EB']] = True
        if mb.any():
            le = label_encoders['eb']
            preds[mb] = le.inverse_transform(models['eb'].predict(X[mb]))

    # Intrinsic 分支
    mi = np.zeros(n, dtype=bool)
    mi[iv[p2 == 'Intrinsic']] = True
    if mi.any():
        le = label_encoders['intrinsic']
        p3 = le.inverse_transform(models['intrinsic'].predict(X[mi]))
        ii = np.where(mi)[0]
        preds[ii[p3 == 'CEP']] = 'CEP'
        preds[ii[p3 == 'DSCT']] = 'DSCT'
        mr = np.zeros(n, dtype=bool)
        mr[ii[p3 == 'RR']] = True
        if mr.any():
            le = label_encoders['rr']
            preds[mr] = le.inverse_transform(models['rr'].predict(X[mr]))
        ml = np.zeros(n, dtype=bool)
        ml[ii[p3 == 'LPV']] = True
        if ml.any():
            le = label_encoders['lpv']
            preds[ml] = le.inverse_transform(models['lpv'].predict(X[ml]))

    return preds

# 示例
X = np.random.randn(5, 15)  # 替换为真实特征
predictions = hierarchical_predict(X)
print(predictions)

使用 Hugging Face Hub

from huggingface_hub import hf_hub_download
import joblib, pickle, numpy as np

repo_id = \"bestdo77/Lightcurve_lgbm_111w_15_model\"

# 下载模型文件
MODEL_NAMES = ['init', 'variable', 'extrinsic', 'intrinsic', 'eb', 'rr', 'lpv']
models = {}
for name in MODEL_NAMES:
    path = hf_hub_download(repo_id=repo_id, filename=f\"{name}.pkl\")
    models[name] = joblib.load(path)

le_path = hf_hub_download(repo_id=repo_id, filename=\"label_encoders.pkl\")
with open(le_path, 'rb') as f:
    label_encoders = pickle.load(f)

ONNX Runtime（跨语言）

import onnxruntime as ort
import numpy as np

session = ort.InferenceSession(\"init.onnx\")
X = np.random.randn(1, 15).astype(np.float32)
pred = session.run(None, {\"input\": X})

训练详情

• 训练数据：LEAVES 数据集（约 107 万条来自 ZTF、ASAS-SN、Gaia 的标注光变曲线）
• 架构：具有无限 num_leaves 的分层 LightGBM
• 特征提取：feets v0.4
• 框架：TDLight 系统的一部分

引用

@software{tdlight_hierarchical_classifier,
  title={TDLight Hierarchical Variable Star Classifier},
  author={Yu, Xinghang and Yu, Ce and Shao, Zeguang and Yang, Bin},
  year={2026},
  url={https://huggingface.co/bestdo77/Lightcurve_lgbm_111w_15_model}
}

许可证

MIT License