- 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 | شکل | نوع D | شرح |
---|---|---|---|---|
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 :
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 | شکل | نوع D | شرح |
---|---|---|---|---|
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;%%"
}