higgs

• Descriptif :

Les données ont été produites à l'aide de simulations de Monte Carlo. Les 21 premières caractéristiques (colonnes 2 à 22) sont des propriétés cinématiques mesurées par les détecteurs de particules de l'accélérateur. Les sept dernières caractéristiques sont des fonctions des 21 premières caractéristiques ; ce sont des caractéristiques de haut niveau dérivées par les physiciens pour aider à faire la distinction entre les deux classes. Il existe un intérêt à utiliser des méthodes d'apprentissage en profondeur pour éviter aux physiciens d'avoir à développer manuellement de telles fonctionnalités. Les résultats de référence utilisant des arbres de décision bayésiens à partir d'un package de physique standard et de réseaux de neurones à 5 couches sont présentés dans l'article original.

• Documentation complémentaire : Explorer sur Papers With Code north_east

• Page d' accueil : https://archive.ics.uci.edu/ml/datasets/HIGGS

• Code source : tfds.structured.Higgs

• Versions :

  • 2.0.0 (par défaut) : nouvelle API fractionnée ( https://tensorflow.org/datasets/splits )

• Taille du téléchargement : 2.62 GiB

• Taille du jeu de données : 6.88 GiB

• Mise en cache automatique ( documentation ): Non

• Fractionnements :

• Structure des fonctionnalités :

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,
})

• Documentation des fonctionnalités :

• Clés supervisées (Voir as_supervised doc ): None

• Figure ( tfds.show_examples ) : non pris en charge.

• Exemples ( tfds.as_dataframe ):

• Citation :

@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;%%"
}

• Descriptif :

Les données ont été produites à l'aide de simulations de Monte Carlo. Les 21 premières caractéristiques (colonnes 2 à 22) sont des propriétés cinématiques mesurées par les détecteurs de particules de l'accélérateur. Les sept dernières caractéristiques sont des fonctions des 21 premières caractéristiques ; ce sont des caractéristiques de haut niveau dérivées par les physiciens pour aider à faire la distinction entre les deux classes. Il existe un intérêt à utiliser des méthodes d'apprentissage en profondeur pour éviter aux physiciens d'avoir à développer manuellement de telles fonctionnalités. Les résultats de référence utilisant des arbres de décision bayésiens à partir d'un package de physique standard et de réseaux de neurones à 5 couches sont présentés dans l'article original.

• Documentation complémentaire : Explorer sur Papers With Code north_east

• Page d' accueil : https://archive.ics.uci.edu/ml/datasets/HIGGS

• Code source : tfds.structured.Higgs

• Versions :

  • 2.0.0 (par défaut) : nouvelle API fractionnée ( https://tensorflow.org/datasets/splits )

• Taille du téléchargement : 2.62 GiB

• Taille du jeu de données : 6.88 GiB

• Mise en cache automatique ( documentation ): Non

• Fractionnements :

• Structure des fonctionnalités :

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,
})

• Documentation des fonctionnalités :

• Clés supervisées (Voir as_supervised doc ): None

• Figure ( tfds.show_examples ) : non pris en charge.

• Exemples ( tfds.as_dataframe ):

• Citation :

@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;%%"
}