Higgs

• Descripción:

Los datos se han elaborado mediante 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 características son funciones de las primeras 21 características; estas son características de alto nivel derivadas por físicos para ayudar a discriminar entre las dos clases. Existe interés en utilizar métodos de aprendizaje profundo para evitar la necesidad de que los físicos desarrollen manualmente tales características. En el artículo original se presentan los resultados de referencia utilizando árboles de decisión bayesianos de un paquete de física estándar y redes neuronales de 5 capas.

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

• El código fuente: tfds.structured.Higgs

• versiones:

  • 2.0.0 (por defecto): Nueva API de división ( https://tensorflow.org/datasets/splits )

• Tamaño del paquete: 2.62 GiB

• Tamaño de conjunto de datos: Unknown size

• Auto-caché ( documentación ): Desconocido

• Fraccionamientos:

• características:

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

• Claves supervisadas (Ver as_supervised doc ): None

• Figura ( tfds.show_examples ): No soportado.

• 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;%%"
}