higgs

• Deskripsi :

Data telah diproduksi menggunakan simulasi Monte Carlo. 21 fitur pertama (kolom 2-22) adalah sifat kinematik yang diukur dengan detektor partikel di akselerator. Tujuh fitur terakhir adalah fungsi dari 21 fitur pertama; ini adalah fitur tingkat tinggi yang diturunkan oleh fisikawan untuk membantu membedakan antara dua kelas. Ada minat dalam menggunakan metode pembelajaran mendalam untuk meniadakan kebutuhan fisikawan untuk mengembangkan fitur tersebut secara manual. Hasil benchmark menggunakan Pohon Keputusan Bayesian dari paket fisika standar dan jaringan saraf 5 lapis disajikan dalam makalah aslinya.

• Dokumentasi Tambahan : Jelajahi di Makalah Dengan Kode

• Beranda : https://archive.ics.uci.edu/ml/datasets/HIGGS

• Kode sumber : tfds.structured.Higgs

• Versi :

  • 2.0.0 (default): API split baru ( https://tensorflow.org/datasets/splits )

• Ukuran unduhan : 2.62 GiB

• Ukuran dataset : 6.88 GiB

• Di-cache otomatis ( dokumentasi ): Tidak

• Perpecahan :

Membelah	Contoh
'train'	11.000.000

• Struktur fitur :

FeaturesDict({
    'class_label': float32,
    'jet_1_b-tag': float64,
    'jet_1_eta': float64,
    'jet_1_phi': float64,
    'jet_1_pt': float64,
    'jet_2_b-tag': float64,
    'jet_2_eta': float64,
    'jet_2_phi': float64,
    'jet_2_pt': float64,
    'jet_3_b-tag': float64,
    'jet_3_eta': float64,
    'jet_3_phi': float64,
    'jet_3_pt': float64,
    'jet_4_b-tag': float64,
    'jet_4_eta': float64,
    'jet_4_phi': float64,
    'jet_4_pt': float64,
    'lepton_eta': float64,
    'lepton_pT': float64,
    'lepton_phi': float64,
    'm_bb': float64,
    'm_jj': float64,
    'm_jjj': float64,
    'm_jlv': float64,
    'm_lv': float64,
    'm_wbb': float64,
    'm_wwbb': float64,
    'missing_energy_magnitude': float64,
    'missing_energy_phi': float64,
})

• Dokumentasi fitur :

Fitur	Kelas	Membentuk	Dtype	Keterangan
	fiturDict
class_label	Tensor		float32
jet_1_b-tag	Tensor		float64
jet_1_eta	Tensor		float64
jet_1_phi	Tensor		float64
jet_1_pt	Tensor		float64
jet_2_b-tag	Tensor		float64
jet_2_eta	Tensor		float64
jet_2_phi	Tensor		float64
jet_2_pt	Tensor		float64
jet_3_b-tag	Tensor		float64
jet_3_eta	Tensor		float64
jet_3_phi	Tensor		float64
jet_3_pt	Tensor		float64
jet_4_b-tag	Tensor		float64
jet_4_eta	Tensor		float64
jet_4_phi	Tensor		float64
jet_4_pt	Tensor		float64
lepton_eta	Tensor		float64
lepton_pT	Tensor		float64
lepton_phi	Tensor		float64
m_bb	Tensor		float64
m_jj	Tensor		float64
m_jjj	Tensor		float64
m_jlv	Tensor		float64
m_lv	Tensor		float64
m_wbb	Tensor		float64
m_wwwbb	Tensor		float64
missing_energy_magnitude	Tensor		float64
missing_energy_phi	Tensor		float64

• Kunci yang diawasi (Lihat as_supervised doc ): None

• Gambar ( tfds.show_examples ): Tidak didukung.

• Contoh ( tfds.as_dataframe ):

• Kutipan :

@article{Baldi:2014kfa,
      author         = "Baldi, Pierre and Sadowski, Peter and Whiteson, Daniel",
      title          = "{Searching for Exotic Particles in High-Energy Physics
                        with Deep Learning}",
      journal        = "Nature Commun.",
      volume         = "5",
      year           = "2014",
      pages          = "4308",
      doi            = "10.1038/ncomms5308",
      eprint         = "1402.4735",
      archivePrefix  = "arXiv",
      primaryClass   = "hep-ph",
      SLACcitation   = "%%CITATION = ARXIV:1402.4735;%%"
}