higgs

• Deskripsi :

Data dihasilkan dengan menggunakan simulasi Monte Carlo. 21 fitur pertama (kolom 2-22) adalah properti kinematik yang diukur dengan detektor partikel pada akselerator. Tujuh fitur terakhir merupakan fungsi dari 21 fitur pertama; ini adalah fitur tingkat tinggi yang diturunkan oleh fisikawan untuk membantu membedakan kedua kelas tersebut. Ada minat dalam menggunakan metode pembelajaran mendalam untuk meniadakan kebutuhan fisikawan untuk mengembangkan fitur tersebut secara manual. Hasil benchmark menggunakan Bayesian Decision Trees dari paket fisika standar dan jaringan saraf 5-lapis disajikan dalam makalah asli.

• Situs web : https://archive.ics.uci.edu/ml/datasets/HIGGS

• Kode sumber : tfds.structured.Higgs

• Versi :

  • 2.0.0 (default): API split baru ( https://tensorflow.org/datasets/splits )

• Ukuran unduhan : 2.62 GiB

• Ukuran kumpulan data : Unknown size

• Cache otomatis ( dokumentasi ): Tidak diketahui

• Split :

• Fitur :

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,
})

• Kunci yang diawasi (Lihat as_supervised doc ): None

• Kutipan :

@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;%%"
}

• Gambar ( tfds.show_examples ): Tidak didukung.

• Contoh ( tfds.as_dataframe ):