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.

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
  • 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;%%"
}
,

  • 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 características. 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.

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
  • 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;%%"
}