文章探讨了机器学习在冷矮星光谱分类中的应用，重点研究了随机森林(RF)、支持向量机(SVM)和K近邻(KNN)三种算法在低分辨率近红外光谱数据上的表现。研究使用了70个光谱标准样本生成的70,000个合成光谱作为训练集，测试集包含1,548个真实光谱数据。结果表明，KNN算法表现最佳，在±1光谱亚型范围内的分类准确率达到95.5%，表面重力和金属丰度子类的分类准确率为89.5%。研究还分析了不同光谱区域对分类的重要性，发现zy波段在RF模型中具有最显著的特征重要性。
冷矮星（包括M、L、T型矮星）在银河系恒星种群中占比超过70%，是研究恒星和亚恒星过程的重要对象。传统的光谱分类方法主要依赖人工检查特定光谱特征或测量等效宽度，这种方法在大规模光谱巡天时代已显得效率不足。文章研究了机器学习方法在冷矮星光谱自动分类中的应用潜力。
研究使用了NASA红外望远镜设施(IRTF)上SpeX仪器获取的低分辨率(R∼120)近红外光谱，波长覆盖0.8-2.5μm。训练集由70个光谱标准样本生成，每个标准样本产生1,000个合成光谱，共计70,000个训练样本。测试集包含1,548个独立光谱，其中1,300个用于最终测试。
研究比较了三种监督学习算法：随机森林(RF)、支持向量机(SVM)和K近邻(KNN)。所有模型都采用多输出分类器架构，同时预测光谱类型和子类（表面重力/金属丰度）。特征选择采用0.02μm波长区间的平均通量值，共生成67个特征。
KNN算法表现最优，在±1光谱亚型范围内的分类准确率达到95.5%，表面重力和金属丰度子类的分类准确率为89.5%。RF和SVM的相应准确率分别为91.5%/86.2%和91.1%/82.7%。所有模型对场矮星的分类准确率均超过92%。
特征重要性分析显示，0.89-0.91μm和0.99-1.01μm波长区间的光谱特征具有最高的重要性分数，这些区域包含TiO和FeH等对温度和金属丰度敏感的特征。K波段在重力分类中表现出重要作用，排除K波段数据会导致重力分类准确率下降10-14%。
研究发现信噪比(SNR)≥60的光谱可保证≥95%的分类准确率。即使SNR<40的低质量数据，平均分类准确率仍能达到约90%，表明机器学习方法对低信噪比数据具有较好的鲁棒性。