higgs

• opis :

Dane zostały opracowane przy użyciu symulacji Monte Carlo. Pierwsze 21 cech (kolumny 2-22) to właściwości kinematyczne mierzone przez detektory cząstek w akceleratorze. Ostatnie siedem cech to funkcje pierwszych 21 cech; są to cechy wysokiego poziomu opracowane przez fizyków, aby pomóc w rozróżnieniu między dwiema klasami. Istnieje zainteresowanie wykorzystaniem metod głębokiego uczenia się, aby wyeliminować potrzebę ręcznego opracowywania takich funkcji przez fizyków. W oryginalnej pracy przedstawiono wyniki testów porównawczych przy użyciu Bayesowskich drzew decyzyjnych ze standardowego pakietu fizyki i 5-warstwowych sieci neuronowych.

• Dodatkowa dokumentacja : Przeglądaj dokumenty z kodem na north_east

• Strona główna : https://archive.ics.uci.edu/ml/datasets/HIGGS

• Kod źródłowy : tfds.structured.Higgs

• Wersje :

  • 2.0.0 (domyślnie): Nowy podzielony interfejs API ( https://tensorflow.org/datasets/splits )

• Rozmiar pliku do pobrania : 2.62 GiB

• Rozmiar zestawu danych : 6.88 GiB

• Automatyczne buforowanie ( dokumentacja ): Nie

• Podziały :

• Struktura funkcji :

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,
})

• Dokumentacja funkcji :

• Klucze nadzorowane (Zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Przykłady ( tfds.as_dataframe ):

• Cytat :

@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;%%"
}

• opis :

Dane zostały opracowane przy użyciu symulacji Monte Carlo. Pierwsze 21 cech (kolumny 2-22) to właściwości kinematyczne mierzone przez detektory cząstek w akceleratorze. Ostatnie siedem cech to funkcje pierwszych 21 cech; są to cechy wysokiego poziomu opracowane przez fizyków, aby pomóc w rozróżnieniu między dwiema klasami. Istnieje zainteresowanie wykorzystaniem metod głębokiego uczenia się, aby wyeliminować potrzebę ręcznego opracowywania takich funkcji przez fizyków. W oryginalnej pracy przedstawiono wyniki testów porównawczych przy użyciu Bayesowskich drzew decyzyjnych ze standardowego pakietu fizyki i 5-warstwowych sieci neuronowych.

• Dodatkowa dokumentacja : Przeglądaj dokumenty z kodem na north_east

• Strona główna : https://archive.ics.uci.edu/ml/datasets/HIGGS

• Kod źródłowy : tfds.structured.Higgs

• Wersje :

  • 2.0.0 (domyślnie): Nowy podzielony interfejs API ( https://tensorflow.org/datasets/splits )

• Rozmiar pliku do pobrania : 2.62 GiB

• Rozmiar zestawu danych : 6.88 GiB

• Automatyczne buforowanie ( dokumentacja ): Nie

• Podziały :

• Struktura funkcji :

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,
})

• Dokumentacja funkcji :

• Klucze nadzorowane (Zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Przykłady ( tfds.as_dataframe ):

• Cytat :

@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;%%"
}