Cette étude a évalué les performances de divers modèles d'apprentissage automatique pour prédire le risque d'objets géocroiseurs (NEO) à l'aide d'un cadre de classification binaire. Six classificateurs ont été comparés, dont le classificateur de forêt aléatoire (RFC), le classificateur à gradient boosting (GBC), le classificateur à vecteurs de support (SVC), l'analyse discriminante linéaire (LDA), la régression logistique (LR) et les K-plus proches voisins (KNN), y compris la mise à l'échelle des données, la transformation de puissance et la validation croisée. RFC et GBC ont obtenu les meilleurs résultats, avec des scores F2 de 0,987 et 0,986 respectivement, et ont présenté une très faible variabilité. SVC a obtenu un score légèrement inférieur mais acceptable de 0,896. LDA et LR ont obtenu des performances modérées, avec des scores d'environ 0,749 et 0,748 respectivement, tandis que KNN a obtenu un faible score de 0,691 en raison de sa difficulté à traiter des modèles de données complexes. Les méthodes RFC et GBC ont atteint une excellente précision de 99,7 % et 99,6 %, respectivement, avec des faux positifs et des faux négatifs négligeables dans la matrice d'erreur. Ces résultats soulignent l'efficacité des méthodes d'ensemble pour atteindre une précision et un rappel élevés, et soulignent l'importance d'une sélection de modèles basée sur les caractéristiques des ensembles de données et les indicateurs d'évaluation sélectionnés. Les recherches futures pourront se concentrer sur l'amélioration de la précision et de la robustesse des modèles de prédiction des risques NEO grâce à l'optimisation des hyperparamètres utilisant une ingénierie avancée des caractéristiques.
