Paper_ZH.md

近地天體危險性預測與可解釋風險分數分析

摘要

近地天體（Near-Earth Objects, NEOs）會週期性接近地球，其中少數物體可能因尺寸、速度與接近條件而被標記為潛在危險。面對大量觀測資料，若完全依賴人工逐筆檢查，將造成專家審查負擔。因此，本研究以 NASA Nearest Earth Objects 資料集為基礎，建立一個具可解釋性的二元分類流程，用於預測 NEO 是否被標記為 hazardous。本研究保留二元分類任務設定，但進一步輸出 hazardous=True 的模型估計機率，將其作為風險分數以支援優先級排序。實驗比較 Majority Baseline、Logistic Regression、class-weighted Logistic Regression、Random Forest、HistGradientBoosting、XGBoost 與 LightGBM，並對主要樹模型進行輕量化 hyperparameter tuning。結果顯示，random_forest_balanced 在 validation set 上具有最佳 PR-AUC；經 sigmoid calibration 後，在 test set 上以 threshold = 0.19 達到 F1 = 0.5332、Recall = 0.7474、Precision = 0.4145、PR-AUC = 0.5595、ROC-AUC = 0.9269。本研究進一步進行五種 variation 的消融研究，結果顯示 threshold tuning、class balancing 與 log features 都對 recall 有貢獻，而 calibration 則以 recall 換取作為風險分數所需的機率品質。可解釋性分析顯示，miss_distance、absolute_magnitude 與尺寸相關特徵是主要影響因子。本研究最後透過 permutation importance 與 SHAP 提供全域與局部解釋，說明模型如何將單一 NEO 判定為高風險或低風險。

關鍵字： 近地天體、二元分類、類別不平衡、風險分數、機率校準、SHAP、可解釋人工智慧

1. 導論

近地天體是行星防禦與天文觀測中的重要研究對象。雖然多數 NEO 不會對地球造成威脅，但少數物體若具有較大的尺寸、較高的速度或較接近地球的軌道條件，仍需要被優先關注。實務上，專家通常需要先篩選大量候選物件，再針對高風險樣本進行更深入的軌道分析與人工審查。因此，一個能夠協助排序與解釋的資料探勘模型具有實務價值。

本研究的核心問題是：根據 NEO 的觀測特徵，預測該物件是否被標記為 hazardous。此任務本質上是監督式二元分類。然而，若模型只輸出最終類別，將難以支援風險排序與審查資源分配。因此，本研究將模型輸出設計為兩層：第一層為 hazardous=True 的估計機率，第二層再透過決策閾值轉換為最終分類。此設計使模型不只回答「是否危險」，也能回答「多值得優先檢查」。

需要強調的是，本文中的 hazardous probability 並不代表真實撞擊地球的物理機率，而是模型在此資料集標籤定義下，估計某筆資料被標記為 hazardous 的機率。因此，本文同時納入 probability calibration 與可解釋性分析，以避免對模型分數做過度解讀。

本文貢獻如下：

1. 建立一個可重現的 NEO hazardous 二元分類流程。
2. 針對不平衡資料比較多種模型與 class-weight 策略。
3. 使用 threshold tuning 將模型輸出轉換為更符合風險篩選情境的決策規則。
4. 使用 calibration curve、Brier score、permutation importance 與 SHAP 分析模型可信度與解釋性。
5. 提供全域特徵重要度與三個局部案例解釋，支援後續報告與簡報展示。
6. 進行五種 variation 的消融研究，量化各主要設計決策（calibration、threshold tuning、class balancing、log features）對 recall 與機率品質的貢獻。

2. 資料集與問題定義

2.1 資料來源

本研究使用 Kaggle 上的 NASA Nearest Earth Objects 資料集。該資料集作者標示其來源為 NASA Open API 與 JPL CNEOS close-approach data，授權為 CC0 Public Domain。本地實驗使用的資料檔為 data/neo.csv。

資料集包含 90,836 筆資料與 10 個欄位：

id, name, est_diameter_min, est_diameter_max, relative_velocity, miss_distance, orbiting_body, sentry_object, absolute_magnitude, hazardous

其中 hazardous 為目標欄位，其餘欄位則作為候選特徵或輔助識別資訊。

2.2 資料品質與目標分布

本地資料快照中未觀察到缺值。orbiting_body 全部為 Earth，sentry_object 全部為 False，兩者在此資料集中沒有變異，因此在建模階段不作為有效特徵。id 與 name 屬於識別欄位，也不作為模型輸入，但會保留於案例分析。

目標欄位分布如下：

類別	筆數	比例
hazardous = False	81,996	90.27%
hazardous = True	8,840	9.73%

此分布顯示資料具有明顯類別不平衡。若模型永遠預測 False，仍可得到約 90.27% accuracy，但 recall 為 0，無法找出真正危險樣本。因此，本研究不以 accuracy 作為主要模型選擇指標，而以 Recall、Precision、F1、PR-AUC 與 ROC-AUC 進行綜合評估。

2.3 數值特徵觀察

主要數值欄位摘要如下：

欄位	Min	Q1	Median	Q3	Max	Mean
est_diameter_min	0.000609	0.019256	0.048368	0.143402	37.892650	0.127432
est_diameter_max	0.001362	0.043057	0.108153	0.320656	84.730541	0.284947
relative_velocity	203.35	28619.02	44190.12	62923.60	236990.13	48066.92
miss_distance	6745.53	17210820.24	37846579.26	56548996.45	74798651.45	37066546.03
absolute_magnitude	9.23	21.34	23.70	25.70	33.20	23.53

尺寸與距離特徵的平均值遠大於中位數（例如 est_diameter_min 平均為 0.1274，中位數僅 0.0484，最大值達 37.89），顯示資料呈現嚴重右偏、並帶有大型物體的長尾。下方的分布圖可清楚看出此偏態，也直接說明 §3.2 對尺寸、速度與距離特徵採用 log1p 轉換的動機。

Pearson correlation 顯示，absolute_magnitude 與 hazardous 的相關係數為 -0.3653，代表絕對星等較低的物體較可能被標記為危險；relative_velocity 與 hazardous 的相關係數為 0.1912，表示速度也具有一定風險訊號；miss_distance 與目標的線性相關較弱，為 0.0423。然而後續模型重要度顯示，miss_distance 仍可能透過非線性或 threshold-like 關係影響模型判斷。熱力圖另顯示 est_diameter_min 與 est_diameter_max 完全相關（r = 1.0），因為兩者皆由 absolute_magnitude 在固定反照率假設下推導而來；此冗餘正是將兩者合併為 §3.2 所述 est_diameter_mean 與 est_diameter_range 工程特徵的直接動機。

2.4 任務定義

本研究任務為二元分類：

hazardous ∈ {True, False}

模型輸出為：

P(hazardous = True | observed features)

接著透過決策閾值轉換為最終分類：

if P(hazardous=True) >= threshold:
    predict hazardous
else:
    predict non-hazardous

此設計可支援兩種用途：一是建立分類模型，二是使用 hazardous probability 作為風險排序分數。

3. 方法

3.1 資料切分

資料以 stratified split 切分為 train、validation 與 test 三組，比例約為 70%、15%、15%。使用 stratified split 的原因是正類別僅佔 9.73%，若隨機切分未保留類別比例，可能造成 validation 或 test 評估不穩定。

實際切分後：

Split	筆數
Train	63,585
Validation	13,625
Test	13,626

Validation set 用於模型選擇與 threshold tuning；test set 僅用於最終評估，以降低資料洩漏風險。

3.2 特徵處理與特徵工程

建模時移除 id、name、orbiting_body 與 sentry_object。前兩者為識別欄位，後兩者在本資料快照中為常數欄位。基礎數值特徵包含：

• est_diameter_min
• est_diameter_max
• relative_velocity
• miss_distance
• absolute_magnitude

此外建立以下衍生特徵：

特徵	定義	目的
est_diameter_mean	(est_diameter_min + est_diameter_max) / 2	以單一尺寸估計降低冗餘
est_diameter_range	est_diameter_max - est_diameter_min	表示尺寸估計範圍
log_est_diameter_mean	log1p(est_diameter_mean)	降低尺寸偏態
log_relative_velocity	log1p(relative_velocity)	降低速度偏態
log_miss_distance	log1p(miss_distance)	降低距離偏態

最終輸入模型的特徵數為 10。

3.3 模型

本研究比較以下模型：

1. Majority Baseline：永遠預測多數類別 hazardous=False。
2. Logistic Regression：線性模型，搭配 StandardScaler。
3. Balanced Logistic Regression：使用 class_weight="balanced"。
4. Balanced Random Forest：使用 class_weight="balanced_subsample"。
5. HistGradientBoostingClassifier：以梯度提升模型捕捉非線性關係。
6. XGBoost：使用 histogram tree method 與 scale_pos_weight 處理不平衡。
7. LightGBM：使用 leaf-wise boosting 與 scale_pos_weight 作為高效率表格模型。

此外，本研究對 Random Forest、HistGradientBoosting、XGBoost 與 LightGBM 進行快速 hyperparameter tuning。調參使用 RandomizedSearchCV、stratified 2-fold cross-validation、每個模型 4 組候選參數，並以 average_precision（PR-AUC）作為 scoring。此設計能納入調參比較，同時避免完整 grid search 的計算成本過高。

3.4 Threshold Tuning 與 Probability Calibration

模型先輸出 hazardous=True 的機率，再於 validation set 上搜尋 threshold。搜尋範圍為 0.05 至 0.95，間距為 0.01，並以 F1 為主要選擇標準，同時參考 recall 與 precision。此設定比預設 threshold = 0.5 更適合不平衡資料與風險篩選情境。

此外，本研究使用 sigmoid calibration 對最佳模型進行機率校準，並以 calibration curve 與 Brier score 檢查機率品質。Calibration 的目的不是提高所有分類指標，而是讓機率輸出更適合作為風險分數解讀。

3.5 可解釋性方法

本研究使用兩種方法解釋模型：

1. Permutation Importance：以 PR-AUC 作為 scoring，測量單一特徵被打亂後模型表現下降程度。
2. SHAP：提供全域特徵貢獻與局部案例解釋，說明各特徵如何推高或拉低 hazardous probability。

Permutation importance 偏向全域模型行為，SHAP 則能針對單一樣本提供局部歸因。

4. 實驗結果

4.1 Validation 模型比較

Validation set 在 threshold = 0.5 下的主要結果如下：

模型	Accuracy	Precision	Recall	F1	PR-AUC	ROC-AUC
Majority Baseline	0.9027	0.0000	0.0000	0.0000	0.0973	0.5000
Logistic Regression	0.9078	0.6606	0.1086	0.1865	0.4170	0.8883
Balanced Logistic Regression	0.7869	0.3073	0.9487	0.4642	0.3951	0.8908
HistGradientBoosting	0.9163	0.7218	0.2270	0.3454	0.5591	0.9255
HistGradientBoosting Tuned	0.9155	0.7384	0.2044	0.3201	0.5591	0.9253
XGBoost	0.7918	0.3169	0.9864	0.4797	0.5411	0.9212
XGBoost Tuned	0.8080	0.3312	0.9540	0.4916	0.5536	0.9248
LightGBM	0.8037	0.3288	0.9766	0.4920	0.5647	0.9281
LightGBM Tuned	0.8027	0.3275	0.9751	0.4903	0.5687	0.9292
Random Forest Tuned	0.8094	0.3351	0.9744	0.4987	0.5548	0.9259
Balanced Random Forest	0.8979	0.4808	0.6154	0.5399	0.5880	0.9347

結果顯示，Majority Baseline 雖然 accuracy 達到 0.9027，但 recall 與 F1 皆為 0，證明 accuracy 不適合作為本任務主要指標。XGBoost 與 LightGBM 類模型能取得很高 recall，但 precision 偏低，代表會產生較多誤報；調參後 LightGBM 的 PR-AUC 提升至 0.5687，但仍低於 Balanced Random Forest 的 0.5880。Balanced Random Forest 在 F1、PR-AUC 與 ROC-AUC 上表現較佳，因此被選為後續 calibration 與 test 評估的基礎模型。

4.1.1 Hyperparameter Tuning 結果

快速調參的 cross-validation PR-AUC 結果如下：

Tuned Model	Best CV PR-AUC
LightGBM Tuned	0.5284
XGBoost Tuned	0.5276
Random Forest Tuned	0.5233
HistGradientBoosting Tuned	0.5208

此結果表示，XGBoost 與 LightGBM 在調參搜尋中具競爭力，但其 validation set 表現仍未超過未調參的 balanced Random Forest。考量最終模型選擇以 validation PR-AUC、F1 與 ROC-AUC 綜合排序，本研究維持 random_forest_balanced 作為最終模型。

4.1.2 訓練與預測效率

由於所有模型共用同一套特徵管線與 train/test 切分，效率比較具備公平性。下表列出各基礎模型在 63,585 筆訓練集上的中位數 fit 時間、對完整 13,626 筆 test set 的批次評分時間，以及單筆物體的評分延遲（純 CPU，支援者使用 n_jobs=-1）。數據由 neo-benchmark 量測。

模型	訓練時間（秒）	批次預測 13,626 筆（毫秒）	吞吐量（筆/秒）	單筆延遲（毫秒）
Majority Baseline	0.001	0.01	—	0.007
LightGBM	0.39	5.7	2,400,000	0.77
HistGradientBoosting	0.39	11.9	1,140,000	1.96
XGBoost	0.57	3.5	3,850,000	1.18
Balanced Logistic Regression	0.72	0.85	16,100,000	0.44
Logistic Regression	0.77	0.80	17,100,000	0.46
Balanced Random Forest	1.29	59.3	230,000	38.4

被選為最終模型的 Balanced Random Forest 其實是所有候選中成本最高的：訓練最久（1.29 秒），評分也最慢（完整 test set 需 59 毫秒，單筆需 38 毫秒——後者反映 120 棵樹的 ensemble 對單列輸入的執行緒派發開銷）。Logistic Regression 單筆速度約快 70 倍，boosting 系列則介於兩者之間。但與即時服務情境（例如毫秒級的廣告點擊預測，Logistic Regression 的延遲優勢將具決定性）不同，NEO 危險篩選屬於離線、批次式的初篩步驟。在 59 毫秒內完成整個 test set（約每秒 230,000 筆）遠超專家審查所需的吞吐量，因此預測延遲並非限制因素。這也是本專案願意以 Random Forest 些微的額外成本換取更高 recall、PR-AUC 與機率品質的原因：在此資料規模下所有候選模型的效率都足夠，因此模型選擇由篩選品質而非速度主導。

4.2 Test Set 最終結果

最終 test set 比較三種設定：

設定	Threshold	Accuracy	Precision	Recall	F1	PR-AUC	Brier	ROC-AUC
Raw Random Forest	0.34	0.8544	0.3838	0.8198	0.5228	0.5634	0.0673	0.9267
Calibrated Random Forest	0.19	0.8727	0.4145	0.7474	0.5332	0.5595	0.0600	0.9269
Calibrated Random Forest, default threshold	0.50	0.9119	0.5946	0.2986	0.3976	0.5595	0.0600	0.9269

校準後模型在 threshold = 0.19 下取得最佳 F1 = 0.5332，recall = 0.7474。若使用預設 threshold = 0.5，accuracy 最高，但 recall 只有 0.2986，表示大量 hazardous 樣本未被找出。這支持本研究的核心設計：在不平衡且具風險篩選意義的任務中，threshold tuning 是必要步驟。

4.3 混淆矩陣解讀

Calibrated Random Forest 在 threshold = 0.19 下的 test confusion matrix 為：

	Predicted False	Predicted True
True False	10,900	1,400
True True	335	991

此設定找回 991 個 hazardous 樣本，漏判 335 個 hazardous 樣本。相較於 default threshold = 0.5，其 true positive 從 396 提升到 991，但 false positive 也從 270 增加到 1,400。這反映了 planetary defense screening 情境中的典型取捨：若目標是降低漏判，必須接受較多需要人工複查的候選樣本。

4.4 消融研究

為驗證最終模型中各項設計決策對篩選目標是否有實質貢獻，本研究進行消融分析：每次只移除一個元件並重新在 test set 上評估。由於此任務以降低漏判 hazardous 樣本為優先，分析以 recall、F1 與 PR-AUC 為主要觀察軸，accuracy 僅作輔助參考而非比較依據。

本研究比較五種設定：

版本	設定	與 Full Model 的差異
V0	Full Model	Balanced Random Forest + sigmoid calibration + 經 validation 調整的 threshold（0.19）
V1	w/o Calibration	原始 Balanced Random Forest，並對原始分數調整 threshold（0.34）
V2	w/o Threshold Tuning	校準模型於 default threshold = 0.5 下評估
V3	w/o Class Balancing	Random Forest 不使用 class_weight="balanced_subsample"，其餘與 V0 相同（threshold 0.24）
V4	w/o Log Features	訓練資料只使用七個非 log 轉換特徵，其餘與 V0 相同（threshold 0.29）

對應的 test set 指標如下：

版本	閾值	Accuracy	Precision	Recall	F1	PR-AUC	ROC-AUC
V0 Full Model	0.19	0.8727	0.4145	0.7474	0.5332	0.5595	0.9269
V1 w/o Calibration	0.34	0.8544	0.3838	0.8198	0.5228	0.5634	0.9267
V2 w/o Threshold Tuning	0.50	0.9119	0.5946	0.2986	0.3976	0.5595	0.9269
V3 w/o Class Balancing	0.24	0.8929	0.4609	0.5958	0.5197	0.5715	0.9277
V4 w/o Log Features	0.29	0.8954	0.4718	0.6244	0.5375	0.5880	0.9324

移除 calibration（V1）後 recall 達到所有設定中最高的 0.8198，但同時產生最多的 false positive。Calibration 以稍微降低 recall 為代價換取較佳的機率品質：Brier score 從 0.0673 降至 0.0600，使得模型輸出更適合作為連續的風險分數。移除 threshold tuning（V2）造成最劇烈的變化：recall 下降至 0.2986，漏判 930 個 hazardous 樣本，而 accuracy 上升至 0.9119。此結果再次說明在類別不平衡的篩選任務中，default threshold = 0.5 並不合適，而僅以 accuracy 評估會掩蓋實際篩選效益的下降。

移除 class balancing（V3）使 recall 從 0.7474 下降至 0.5958，多漏判 201 個 hazardous 樣本；Precision 與 Accuracy 雖上升，但這正是篩選目標不應追求的取捨方向。移除 log features（V4）的結果較為細緻：PR-AUC、ROC-AUC 與 F1 略高於 V0，但 recall 從 0.7474 下降至 0.6244，多漏判 163 個 hazardous 樣本。Log 轉換降低了尺寸與距離分布的右偏程度，使模型在低機率區段（邊界 hazardous 樣本集中之處）有更穩定的決策行為。對於 ranking 型指標，log features 並未提供額外效益，但對本研究所追求的 recall 目標仍有助益。

在四個被移除的元件中，有三個（V2、V3、V4）使 test-set recall 低於 Full Model。V1 是唯一移除後 recall 反而高於 V0 的設定（0.8198 vs 0.7474），但代價是機率品質下降：Brier score 從 0.0600 惡化至 0.0673，使模型不再適合作為風險分數。以對 recall 的絕對影響量級排序，四個元件依序為 threshold tuning（Δ = 0.449）、class balancing（Δ = 0.152）、log features（Δ = 0.123）、calibration（Δ = 0.072）。Threshold tuning 是影響最大的設計，而 calibration 的貢獻則應以機率品質而非 recall 來理解。綜合上述證據，最終設計—calibrated Balanced Random Forest 搭配 validation 調整後的 threshold—在 recall 與機率品質之間取得最佳平衡，適合作為風險篩選任務的部署設定。

5. 可解釋性分析

5.1 全域特徵重要度

Permutation importance 顯示前五個重要特徵為：

排名	特徵	Importance Mean
1	miss_distance	0.0915
2	log_miss_distance	0.0893
3	absolute_magnitude	0.0451
4	log_est_diameter_mean	0.0443
5	est_diameter_min	0.0424

此結果顯示，模型除了使用星等與尺寸訊號，也強烈依賴接近距離相關特徵。雖然 miss_distance 與 hazardous 的 Pearson correlation 僅為 0.0423，但在非線性模型中仍可能扮演重要角色。這說明線性相關係數不足以完整描述模型可利用的風險訊號。

SHAP 全域圖也提供類似觀察：距離、星等與尺寸相關特徵是模型判斷 hazardous probability 的主要來源。

5.2 局部案例分析

本研究選擇三個 test set 案例：true positive、false negative 與 false positive。

案例一：True Positive

• id: 3774091
• name: (2017 HP3)
• 真實標籤：hazardous
• 預測機率：0.8957
• threshold：0.19
• 預測結果：hazardous

SHAP 顯示，log_miss_distance、miss_distance、est_diameter_min、absolute_magnitude 與 log_est_diameter_mean 均將機率往上推。此案例代表模型能根據距離、尺寸與星等訊號正確識別高風險物件。

案例二：False Negative

• id: 3713941
• name: (2015 EO61)
• 真實標籤：hazardous
• 預測機率：0.1897
• threshold：0.19
• 預測結果：non-hazardous

此案例的預測機率 0.1897 僅比 threshold 0.19 低 0.0003，屬於非常接近決策邊界的樣本。SHAP 顯示四個尺寸相關特徵（est_diameter_min、log_est_diameter_mean、est_diameter_range、est_diameter_mean）將機率往上推，而 log_miss_distance 將機率往下拉；模型在此衝突訊號下做出保守判斷。這種案例在實務上值得額外檢查，因為小幅調整 threshold 即可能改變分類結果；§4.4 的 V2 消融結果也在系統層級展現同樣的閾值敏感性。

案例三：False Positive

• id: 3566975
• name: (2011 KO17)
• 真實標籤：non-hazardous
• 預測機率：0.8954
• threshold：0.19
• 預測結果：hazardous

此案例雖然真實標籤為 non-hazardous，但模型給出高風險分數。SHAP 顯示接近距離、星等與尺寸相關特徵都強烈推高機率。這表示模型可能將某些與 hazardous 樣本相似的觀測條件視為高風險。從篩選系統角度看，false positive 會增加人工審查負擔，但比 false negative 更容易被專家後續排除。

6. 討論

6.1 Threshold 的影響

本研究結果清楚顯示，threshold 決策會顯著改變模型行為。Default threshold = 0.5 雖然提高 precision 與 accuracy，但 recall 明顯下降。對於 planetary defense screening，漏判 hazardous 樣本的成本通常高於誤報，因此較低 threshold 是合理選擇。然而，threshold 不應任意降低，否則 false positive 會過多，導致人工審查負擔過重。本研究選擇 validation F1 最佳的 threshold = 0.19，作為 precision 與 recall 的折衷。

6.2 機率分數的正確解讀

Calibrated Random Forest 的 Brier score 為 0.0600，略優於未校準模型的 0.0673，表示 calibration 有助於改善機率品質。然而，此機率仍只代表模型對資料集標籤的估計，不代表真實撞擊機率。若要建立天文物理意義更強的 hazard model，仍需要更完整的軌道參數與領域模型。

6.3 特徵解釋與領域直覺

absolute_magnitude 與尺寸相關特徵的重要性符合直覺，因為星等與物體大小具有關聯，較大或較亮的物體較可能被標記為潛在危險。relative_velocity 在 correlation 中與目標呈正相關，但在 permutation importance 中低於距離與尺寸特徵，表示模型更依賴其他訊號。miss_distance 的重要度較高，說明其可能以非線性方式影響預測。

7. 限制

本研究仍有以下限制：

1. hazardous 是資料集標籤，不等於實際撞擊機率。
2. 資料集欄位有限，缺少完整軌道參數，例如 MOID、軌道傾角、半長軸與離心率。
3. XGBoost、LightGBM 與 hyperparameter tuning 已納入，但本研究採用快速搜尋設定；若要追求最佳效能，仍可擴大搜尋空間與交叉驗證折數。
4. SHAP 解釋反映模型行為，不代表因果關係。
5. Threshold 選擇依據 validation F1，若實務成本函數不同，最佳 threshold 也可能不同。

8. 結論

本研究建立了一個可重現、可解釋的 NEO hazardous 二元分類流程。結果顯示，在高度不平衡資料下，accuracy 不能作為主要評估指標；相較之下，PR-AUC、F1、recall 與 confusion matrix 更能反映模型是否適合風險篩選情境。Balanced Random Forest 在 validation set 上表現最佳，經 sigmoid calibration 與 threshold tuning 後，在 test set 上達到 F1 = 0.5332、recall = 0.7474、precision = 0.4145。五種 variation 的消融研究進一步確認，threshold tuning 是影響最大的單一設計（移除後 ΔRecall = 0.449），其次依序為 class balancing 與 log features；calibration 則以少量 recall 換取顯著提升的機率品質。可解釋性分析顯示，接近距離、星等與尺寸相關特徵是模型主要依據。

整體而言，本研究最合適的定位是：一個具可解釋性的機率式二元分類系統，用於估計 NEO 被標記為 hazardous 的機率，並以風險分數協助專家進行優先級排序。未來若能加入更完整的軌道資料與明確的審查成本函數，模型將更接近實務行星防禦決策需求。

參考資料

1. Sameep Vani. NASA Nearest Earth Objects. Kaggle Dataset. https://www.kaggle.com/datasets/sameepvani/nasa-nearest-earth-objects
2. NASA Open APIs. https://api.nasa.gov/
3. NASA Jet Propulsion Laboratory, Center for Near Earth Object Studies. Close-Approach Data. https://cneos.jpl.nasa.gov/ca/
4. Lundberg, S. M., & Lee, S. I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4765-4774.
5. Pedregosa, F., et al. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830.
6. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
7. Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794.
8. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30, 3146-3154.
9. Platt, J. (1999). Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods. Advances in Large Margin Classifiers, 10(3), 61-74.