higgs

• Açıklama :

Veriler Monte Carlo simülasyonları kullanılarak üretilmiştir. İlk 21 özellik (sütun 2-22), hızlandırıcıdaki parçacık detektörleri tarafından ölçülen kinematik özelliklerdir. Son yedi özellik, ilk 21 özelliğin işlevleridir; bunlar fizikçiler tarafından iki sınıf arasında ayrım yapmaya yardımcı olmak için türetilen üst düzey özelliklerdir. Fizikçilerin bu tür özellikleri manuel olarak geliştirme ihtiyacını ortadan kaldırmak için derin öğrenme yöntemlerinin kullanılmasına ilgi vardır. Standart bir fizik paketinden Bayes Karar Ağaçları ve 5 katmanlı sinir ağları kullanan kıyaslama sonuçları orijinal makalede sunulmuştur.

• Ek Belgeler : north_east Belgeleri Keşfedin

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

• Kaynak kodu : tfds.structured.Higgs

• sürümler :

  • 2.0.0 (varsayılan): Yeni bölünmüş API ( https://tensorflow.org/datasets/splits )

• İndirme boyutu : 2.62 GiB

• Veri kümesi boyutu : 6.88 GiB

• Otomatik önbelleğe alınmış ( belgeleme ): Hayır

• bölmeler :

• Özellik yapısı :

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,
})

• Özellik belgeleri :

• Denetlenen anahtarlar (Bkz as_supervised doc ): None

• Şekil ( tfds.show_examples ): Desteklenmiyor.

• Örnekler ( tfds.as_dataframe ):

• Alıntı :

@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;%%"
}

• Açıklama :

Veriler Monte Carlo simülasyonları kullanılarak üretilmiştir. İlk 21 özellik (sütun 2-22), hızlandırıcıdaki parçacık detektörleri tarafından ölçülen kinematik özelliklerdir. Son yedi özellik, ilk 21 özelliğin işlevleridir; bunlar fizikçiler tarafından iki sınıf arasında ayrım yapmaya yardımcı olmak için türetilen üst düzey özelliklerdir. Fizikçilerin bu tür özellikleri manuel olarak geliştirme ihtiyacını ortadan kaldırmak için derin öğrenme yöntemlerinin kullanılmasına ilgi vardır. Standart bir fizik paketinden Bayes Karar Ağaçları ve 5 katmanlı sinir ağları kullanan kıyaslama sonuçları orijinal makalede sunulmuştur.

• Ek Belgeler : north_east Belgeleri Keşfedin

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

• Kaynak kodu : tfds.structured.Higgs

• sürümler :

  • 2.0.0 (varsayılan): Yeni bölünmüş API ( https://tensorflow.org/datasets/splits )

• İndirme boyutu : 2.62 GiB

• Veri kümesi boyutu : 6.88 GiB

• Otomatik önbelleğe alınmış ( belgeleme ): Hayır

• bölmeler :

• Özellik yapısı :

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,
})

• Özellik belgeleri :

• Denetlenen anahtarlar (Bkz as_supervised doc ): None

• Şekil ( tfds.show_examples ): Desteklenmiyor.

• Örnekler ( tfds.as_dataframe ):

• Alıntı :

@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;%%"
}