higgs

• Descripción :

Los datos han sido producidos utilizando simulaciones de Monte Carlo. Las primeras 21 características (columnas 2-22) son propiedades cinemáticas medidas por los detectores de partículas en el acelerador. Las últimas siete funciones son funciones de las primeras 21 funciones; estas son características de alto nivel derivadas por los físicos para ayudar a discriminar entre las dos clases. Existe un interés en utilizar métodos de aprendizaje profundo para obviar la necesidad de que los físicos desarrollen manualmente tales funciones. En el documento original se presentan los resultados de referencia utilizando árboles de decisión bayesianos de un paquete de física estándar y redes neuronales de 5 capas.

• Documentación adicional : Explore en Papers With Code

• Página de inicio: https://archive.ics.uci.edu/ml/datasets/HIGGS

• Código fuente : tfds.structured.Higgs

• Versiones :

  • 2.0.0 (predeterminado): nueva API dividida ( https://tensorflow.org/datasets/splits )

• Tamaño de descarga : 2.62 GiB

• Tamaño del conjunto de datos : 6.88 GiB

• Almacenamiento automático en caché ( documentación ): No

• Divisiones :

Separar	Ejemplos
'train'	11,000,000

• Estructura de características :

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,
})

• Documentación de características :

Rasgo	Clase	Forma	Tipo D	Descripción
	CaracterísticasDict
etiqueta_clase	Tensor		flotar32
jet_1_b-etiqueta	Tensor		flotar64
jet_1_eta	Tensor		flotar64
jet_1_phi	Tensor		flotar64
jet_1_pt	Tensor		flotar64
jet_2_b-etiqueta	Tensor		flotar64
jet_2_eta	Tensor		flotar64
jet_2_phi	Tensor		flotar64
jet_2_pt	Tensor		flotar64
jet_3_b-etiqueta	Tensor		flotar64
jet_3_eta	Tensor		flotar64
jet_3_phi	Tensor		flotar64
jet_3_pt	Tensor		flotar64
jet_4_b-etiqueta	Tensor		flotar64
jet_4_eta	Tensor		flotar64
jet_4_phi	Tensor		flotar64
jet_4_pt	Tensor		flotar64
lepton_eta	Tensor		flotar64
lepton_pt	Tensor		flotar64
lepton_phi	Tensor		flotar64
m_bb	Tensor		flotar64
m_jj	Tensor		flotar64
m_jjj	Tensor		flotar64
m_jlv	Tensor		flotar64
m_lv	Tensor		flotar64
m_wbb	Tensor		flotar64
m_wwbb	Tensor		flotar64
falta_energía_magnitud	Tensor		flotar64
falta_energia_phi	Tensor		flotar64

• Claves supervisadas (Ver as_supervised doc ): None

• Figura ( tfds.show_examples ): no compatible.

• Ejemplos ( tfds.as_dataframe ):

• Cita :

@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;%%"
}