- Описание:
Данные были получены с использованием моделирования Монте-Карло. Первые 21 характеристика (столбцы 2-22) представляют собой кинематические свойства, измеренные детекторами частиц в ускорителе. Последние семь функций являются функциями первых 21 функции; это высокоуровневые особенности, полученные физиками, чтобы помочь различать два класса. Существует интерес к использованию методов глубокого обучения, чтобы избавить физиков от необходимости вручную разрабатывать такие функции. Результаты тестов с использованием байесовских деревьев решений из стандартного физического пакета и 5-слойных нейронных сетей представлены в исходной статье.
Домашняя страница: https://archive.ics.uci.edu/ml/datasets/HIGGS
Исходный код:
tfds.structured.Higgs
Версии:
-
2.0.0
( по умолчанию): Новый раскол API ( https://tensorflow.org/datasets/splits )
-
Скачать Размер:
2.62 GiB
Dataset размер:
Unknown size
Авто-кэшируются ( документация ): Unknown
расколы:
Расколоть | Примеры |
---|---|
'train' | 11 000 000 |
- Особенности:
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,
})
Контролируемые ключи (см
as_supervised
документ ):None
Рис ( tfds.show_examples ): Не поддерживается.
Примеры ( tfds.as_dataframe ):
- Образец цитирования:
@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;%%"
}