higgs

  • Descriptif :

Les données ont été produites à l'aide de simulations de Monte Carlo. Les 21 premières caractéristiques (colonnes 2 à 22) sont des propriétés cinématiques mesurées par les détecteurs de particules de l'accélérateur. Les sept dernières caractéristiques sont des fonctions des 21 premières caractéristiques ; ce sont des caractéristiques de haut niveau dérivées par les physiciens pour aider à faire la distinction entre les deux classes. Il existe un intérêt à utiliser des méthodes d'apprentissage en profondeur pour éviter aux physiciens d'avoir à développer manuellement de telles fonctionnalités. Les résultats de référence utilisant des arbres de décision bayésiens à partir d'un package de physique standard et de réseaux de neurones à 5 couches sont présentés dans l'article original.

Diviser Exemples
'train' 11 000 000
  • Structure des fonctionnalités :
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,
})
  • Documentation des fonctionnalités :
Caractéristique Classer Forme Dtype La description
FonctionnalitésDict
étiquette_classe Tenseur float32
jet_1_b-tag Tenseur float64
jet_1_eta Tenseur float64
jet_1_phi Tenseur float64
jet_1_pt Tenseur float64
jet_2_b-tag Tenseur float64
jet_2_eta Tenseur float64
jet_2_phi Tenseur float64
jet_2_pt Tenseur float64
jet_3_b-tag Tenseur float64
jet_3_eta Tenseur float64
jet_3_phi Tenseur float64
jet_3_pt Tenseur float64
jet_4_b-tag Tenseur float64
jet_4_eta Tenseur float64
jet_4_phi Tenseur float64
jet_4_pt Tenseur float64
lepton_eta Tenseur float64
lepton_pT Tenseur float64
lepton_phi Tenseur float64
m_bb Tenseur float64
m_jj Tenseur float64
m_jjj Tenseur float64
m_jlv Tenseur float64
m_lv Tenseur float64
m_wbb Tenseur float64
m_wwbb Tenseur float64
missing_energy_magnitude Tenseur float64
missing_energy_phi Tenseur float64
  • Citation :
@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;%%"
}
,

  • Descriptif :

Les données ont été produites à l'aide de simulations de Monte Carlo. Les 21 premières caractéristiques (colonnes 2 à 22) sont des propriétés cinématiques mesurées par les détecteurs de particules de l'accélérateur. Les sept dernières caractéristiques sont des fonctions des 21 premières caractéristiques ; ce sont des caractéristiques de haut niveau dérivées par les physiciens pour aider à faire la distinction entre les deux classes. Il existe un intérêt à utiliser des méthodes d'apprentissage en profondeur pour éviter aux physiciens d'avoir à développer manuellement de telles fonctionnalités. Les résultats de référence utilisant des arbres de décision bayésiens à partir d'un package de physique standard et de réseaux de neurones à 5 couches sont présentés dans l'article original.

Diviser Exemples
'train' 11 000 000
  • Structure des fonctionnalités :
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,
})
  • Documentation des fonctionnalités :
Caractéristique Classer Forme Dtype La description
FonctionnalitésDict
étiquette_classe Tenseur float32
jet_1_b-tag Tenseur float64
jet_1_eta Tenseur float64
jet_1_phi Tenseur float64
jet_1_pt Tenseur float64
jet_2_b-tag Tenseur float64
jet_2_eta Tenseur float64
jet_2_phi Tenseur float64
jet_2_pt Tenseur float64
jet_3_b-tag Tenseur float64
jet_3_eta Tenseur float64
jet_3_phi Tenseur float64
jet_3_pt Tenseur float64
jet_4_b-tag Tenseur float64
jet_4_eta Tenseur float64
jet_4_phi Tenseur float64
jet_4_pt Tenseur float64
lepton_eta Tenseur float64
lepton_pT Tenseur float64
lepton_phi Tenseur float64
m_bb Tenseur float64
m_jj Tenseur float64
m_jjj Tenseur float64
m_jlv Tenseur float64
m_lv Tenseur float64
m_wbb Tenseur float64
m_wwbb Tenseur float64
missing_energy_magnitude Tenseur float64
missing_energy_phi Tenseur float64
  • Citation :
@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;%%"
}