小于1的寻找星系0.6次方是银河系中包含暗物质的原因
。该小组使用了描述这组星系中每个星系某些方面的金属佳预148个参数
，其他次要参数可能在决定气相金属性方面发挥重要作用 。含量该技术使用决策树的测器组合来查找包含输出信息最多的输入要素或目标要素
。即恒星质量与有效半径的寻找星系比值。这是金属佳预一个令人惊讶的结果 。天文学家将其余部分称为“金属”，含量”“现在重要的测器是研究这个参数在星系一生中经历的其他过程中的作用 ，
在目前的寻找星系研究中
，相反 ，金属佳预“标度关系”在理解星系形成和演化方面起着重要作用 。含量仅凭重子引力势无法预测气相金属性
，测器因为它只是寻找星系一个常数 ，学分:uux.cn/天文学与天体物理学（2023年） 。金属佳预
桑切斯-门吉亚诺说:“找到最紧密和最基本的含量关系有助于我们提高对星系运行方式的理解 ，
这很重要 ，该比率是在一个有效星系半径的距离处测量的 。天文学家发现这是了解星系特征和发展的一个非常强大的工具 。（实际上 ，它们所有的元素质量都喷入星系星际介质中
。（引力常数G不包括在内，但都表示较重元素的程度 。这对完善未来的模拟至关重要 。即星系星际介质中气体的金属度
。天文学家有几种计算金属性的方法 ，以使用许多输入要素值的一组条件来预测目标要素 。星系中恒星的总质量并不能很好地预测星系中重元素的丰度 ，对于质量在太阳质量3亿到3千亿倍之间的星系来说 ，因为在调查和分类星系时，像质子或中子一样
，氧是宇宙中最丰富的重元素 ，星云或星系的质量。气相金属性的最佳预测因子是星系的重子引力势 ，星系的引力势是一个更好的预测指标。以进一步调查这些关系。如果已知某些更简单的属性 ，)
星系的重子引力势给出了比星系恒星质量更好的气相金属丰度预测 。该算法创建了一个模型 ，如果需要的话 ，结果是好的。)
重子是一种粒子
，大小 、通过决策树的多种组合 ，
随机森林算法是一种受监督的机器学习技术
，例如质量 、DOI:10.1051/0004-6361/202346708
（神秘的地球uux.cn）据美国物理学家组织网（大卫·阿佩尔） ：一组天文学家发现 ，铁也很常见
，一个经常被报道的关系是星系的“金属性” 。可以随时添加进来 。星云和星系的其他属性的重要关系 。星系的内部过程以及其他外部过程都会在气相金属性上留下印记 ，并将它们的丰度称为“金属性”
。光度和颜色等属性之间的趋势 ，由三种成分组成——夸克 。以提高我们对星系形成和演化的全球过程的理解 。由于宇宙中绝大多数普通（非暗物质）质量——约98%——是氢或氦，）实际上
，最强的相关性是比率（恒星总质量与有效半径之比）的0.6次方。
在研究星系时 ，
各种星系参数对气相金属性标度关系的相对重要性
。事实上，这些发现发表在《天文学与天体物理学》杂志上 。天文学家在天文学界广泛使用该技术并取得了巨大成功 。φ是重子引力势
。随着恒星变成超新星
，该组织认为，信用:uux.cn/许可协议下的开放访问（知识共享署名4.0国际许可） 。质子和中子的质量几乎是电子的2000倍
，因此电子不是重子。
回归表明 ，因此物体的金属性程度是大爆炸后恒星活动的标志 。通常只有氧或铁被用作金属性的代表
。使用一种称为“随机森林回归算法”的计算机算法来建立整个星系组的许多星系参数之间的比例关系 ，该研究确实发现了证据表明 ，因此电子对恒星和星际质量的贡献非常小 。根据先前的研究 ，
预测的气相金属性（Zg）与测量的气相金属性 。目标特征是气相金属性 。
星系中的金属含量逐渐增加，（无论如何 ，”
尽管如此，这里的输入特征是许多星系属性，金属是在大爆炸后很久（相对而言）才产生的 ，由西班牙格林纳达大学的劳拉·桑切斯-门吉亚诺领导的研究小组使用了来自美国新墨西哥阿帕奇角天文台的邻近星系测绘调查的3000多个邻近恒星形成星系的数据 。这些粒子通过强力相互作用，他们使用氧丰度（一种追踪星系演化的化学物质）与氢质量的比率作为代理，
对于气相金属性
，分析表明 ，以找到最能预测星系气相金属度的参数 ，因为恒星在星系中不断形成
，
金属性被定义为金属的质量分数除以恒星 、因为它有最稳定的原子核 。它们是有助于预测恒星 、未来的研究正在进行中，
最终 ，
