هیگز

توضیحات :

داده ها با استفاده از شبیه سازی مونت کارلو تولید شده اند. 21 ویژگی اول (ستون های 2-22) ویژگی های سینماتیکی هستند که توسط آشکارسازهای ذرات در شتاب دهنده اندازه گیری می شوند. هفت ویژگی آخر توابع 21 ویژگی اول هستند. اینها ویژگی های سطح بالایی هستند که توسط فیزیکدانان برای کمک به تمایز بین این دو طبقه به دست آمده اند. علاقه به استفاده از روش‌های یادگیری عمیق برای رفع نیاز فیزیکدانان به توسعه دستی چنین ویژگی‌هایی وجود دارد. نتایج معیار با استفاده از درختان تصمیم بیزی از یک بسته فیزیک استاندارد و شبکه های عصبی 5 لایه در مقاله اصلی ارائه شده است.

اسناد اضافی : کاوش در کاغذها با کد
صفحه اصلی : https://archive.ics.uci.edu/ml/datasets/HIGGS
کد منبع : tfds.structured.Higgs
نسخه ها :
- 2.0.0 (پیش‌فرض): API تقسیم جدید ( https://tensorflow.org/datasets/splits )
حجم دانلود : 2.62 GiB
حجم مجموعه داده : 6.88 GiB
ذخیره خودکار ( اسناد ): خیر
تقسیم ها :

شکاف	مثال ها
`'train'`	11,000,000

ساختار ویژگی :

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,
})

مستندات ویژگی :

ویژگی	کلاس	نوع D
	FeaturesDict
class_label	تانسور	float32
jet_1_b-tag	تانسور	float64
jet_1_eta	تانسور	float64
jet_1_phi	تانسور	float64
jet_1_pt	تانسور	float64
jet_2_b-tag	تانسور	float64
jet_2_eta	تانسور	float64
jet_2_phi	تانسور	float64
jet_2_pt	تانسور	float64
jet_3_b-tag	تانسور	float64
jet_3_eta	تانسور	float64
jet_3_phi	تانسور	float64
jet_3_pt	تانسور	float64
jet_4_b-tag	تانسور	float64
jet_4_eta	تانسور	float64
jet_4_phi	تانسور	float64
jet_4_pt	تانسور	float64
lepton_eta	تانسور	float64
lepton_pT	تانسور	float64
lepton_phi	تانسور	float64
m_bb	تانسور	float64
m_jj	تانسور	float64
m_jjj	تانسور	float64
m_jlv	تانسور	float64
m_lv	تانسور	float64
m_wbb	تانسور	float64
m_wwbb	تانسور	float64
قدر_انرژی_غایب	تانسور	float64
کمبود_انرژی_فی	تانسور	float64

کلیدهای نظارت شده (به as_supervised doc مراجعه کنید): None
شکل ( tfds.show_examples ): پشتیبانی نمی شود.
مثال‌ها ( tfds.as_dataframe ):

نقل قول :

@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;%%"
}

توضیحات :

اسناد اضافی : کاوش در کاغذها با کد
صفحه اصلی : https://archive.ics.uci.edu/ml/datasets/HIGGS
کد منبع : tfds.structured.Higgs
نسخه ها :
- 2.0.0 (پیش‌فرض): API تقسیم جدید ( https://tensorflow.org/datasets/splits )
حجم دانلود : 2.62 GiB
حجم مجموعه داده : 6.88 GiB
ذخیره خودکار ( اسناد ): خیر
تقسیم ها :

شکاف	مثال ها
`'train'`	11,000,000

ساختار ویژگی :

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,
})

مستندات ویژگی :

ویژگی	کلاس	نوع D
	FeaturesDict
class_label	تانسور	float32
jet_1_b-tag	تانسور	float64
jet_1_eta	تانسور	float64
jet_1_phi	تانسور	float64
jet_1_pt	تانسور	float64
jet_2_b-tag	تانسور	float64
jet_2_eta	تانسور	float64
jet_2_phi	تانسور	float64
jet_2_pt	تانسور	float64
jet_3_b-tag	تانسور	float64
jet_3_eta	تانسور	float64
jet_3_phi	تانسور	float64
jet_3_pt	تانسور	float64
jet_4_b-tag	تانسور	float64
jet_4_eta	تانسور	float64
jet_4_phi	تانسور	float64
jet_4_pt	تانسور	float64
lepton_eta	تانسور	float64
lepton_pT	تانسور	float64
lepton_phi	تانسور	float64
m_bb	تانسور	float64
m_jj	تانسور	float64
m_jjj	تانسور	float64
m_jlv	تانسور	float64
m_lv	تانسور	float64
m_wbb	تانسور	float64
m_wwbb	تانسور	float64
قدر_انرژی_غایب	تانسور	float64
کمبود_انرژی_فی	تانسور	float64

کلیدهای نظارت شده (به as_supervised doc مراجعه کنید): None
شکل ( tfds.show_examples ): پشتیبانی نمی شود.
مثال‌ها ( tfds.as_dataframe ):

نقل قول :

@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;%%"
}