数据集概述
本数据集包含对Fermi-LAT 4FGL-DR3目录源的概率分类结果，使用随机森林（RF）和神经网络（NN）算法将源分为六类或九类。数据以压缩包形式提供，包含概率分类目录文件和分类组定义及源数量摘要文件，可用于天体物理中伽马射线源的分类研究。
文件详解
- 压缩包文件：4FGL-DR3_probabilistic_classification.zip
- 文件格式：ZIP
- 包含文件：
- 概率分类目录文件：4FGL-DR3_6class_GMM_nmin100_prob_cat.csv、4FGL-DR3_6class_RF_nmin100_prob_cat.csv、4FGL-DR3_9class_GMM_nmin15_prob_cat.csv（记录源的六类或九类概率分类结果）
- 分类组定义及摘要文件：4FGL-DR3_6class_GMM_nmin100_summary.csv、4FGL-DR3_6class_RF_nmin100_summary.csv、4FGL-DR3_9class_GMM_nmin15_summary.csv（定义六类或九类物理分类组，以及每组中关联和非关联源的预期数量摘要）
- 命名标识说明：GMM_nmin100/RF_nmin100/GMM_nmin15分别表示分类组的确定方法（高斯混合模型GMM或随机森林RF）及每组最小源数量要求（至少100个或15个关联源）
适用场景
- 伽马射线源分类研究：利用概率分类结果分析Fermi-LAT 4FGL-DR3目录源的物理类型分布
- 天体物理机器学习应用：评估随机森林和神经网络算法在伽马射线源分类中的性能
- 伽马射线天文数据处理：为4FGL-DR3目录源的后续天体物理分析提供分类参考
- 分类方法对比分析：比较高斯混合模型和随机森林两种方法确定分类组的效果差异
