higgs

• Descrição :

Os dados foram produzidos usando simulações de Monte Carlo. As primeiras 21 características (colunas 2-22) são propriedades cinemáticas medidas pelos detectores de partículas no acelerador. Os últimos sete recursos são funções dos primeiros 21 recursos; essas são características de alto nível derivadas por físicos para ajudar a discriminar entre as duas classes. Existe um interesse em usar métodos de aprendizado profundo para evitar a necessidade de os físicos desenvolverem manualmente tais recursos. Resultados de benchmark usando Árvores de Decisão Bayesiana de um pacote de física padrão e redes neurais de 5 camadas são apresentados no artigo original.

• Documentação Adicional : Explore em Papers With Code

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

• Código -fonte: tfds.structured.Higgs

• Versões :

  • 2.0.0 (padrão): Nova API de divisão ( https://tensorflow.org/datasets/splits )

• Tamanho do download : 2.62 GiB

• Tamanho do conjunto de dados : 6.88 GiB

• Armazenado em cache automaticamente ( documentação ): Não

• Divisões :

Dividir	Exemplos
'train'	11.000.000

• Estrutura de recursos :

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,
})

• Documentação do recurso:

Característica	Classe	Forma	Tipo D	Descrição
	RecursosDict
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_wwbb	tensor		float64
missing_energy_magnitude	tensor		float64
missing_energy_phi	tensor		float64

• Chaves supervisionadas (Consulte as_supervised doc ): None

• Figura ( tfds.show_examples ): Não compatível.

• Exemplos ( tfds.as_dataframe ):

• Citação :

@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;%%"
}