Хиггс

• 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:

• 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;%%"
}