היגס

• תיאור :

הנתונים הופקו באמצעות סימולציות של מונטה קרלו. 21 התכונות הראשונות (עמודות 2-22) הן תכונות קינמטיות הנמדדות על ידי גלאי החלקיקים במאיץ. שבע התכונות האחרונות הן פונקציות של 21 התכונות הראשונות; אלו הן תכונות ברמה גבוהה שנגזרו על ידי פיזיקאים כדי לעזור להבחין בין שני המעמדות. יש עניין בשימוש בשיטות למידה עמוקה כדי למנוע את הצורך של פיזיקאים לפתח תכונות כאלה באופן ידני. תוצאות בנצ'מרק באמצעות עצי החלטה בייסיאניים מחבילת פיזיקה סטנדרטית ורשתות עצביות 5-שכבות מוצגות במאמר המקורי.

• תיעוד נוסף : חקור על ניירות עם קוד north_east

• דף הבית : https://archive.ics.uci.edu/ml/datasets/HIGGS

• קוד מקור : tfds.structured.Higgs

• גרסאות :

  • 2.0.0 (ברירת מחדל): API חדש מפוצל ( https://tensorflow.org/datasets/splits )

• גודל הורדה : 2.62 GiB

• גודל מערך נתונים : 6.88 GiB

• שמירה אוטומטית במטמון ( תיעוד ): לא

• פיצולים :

• מבנה תכונה :

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,
})

• תיעוד תכונה :

• מפתחות בפיקוח (ראה as_supervised doc ): None

• איור ( tfds.show_examples ): לא נתמך.

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@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;%%"
}

• תיאור :

הנתונים הופקו באמצעות סימולציות של מונטה קרלו. 21 התכונות הראשונות (עמודות 2-22) הן תכונות קינמטיות הנמדדות על ידי גלאי החלקיקים במאיץ. שבע התכונות האחרונות הן פונקציות של 21 התכונות הראשונות; אלו הן תכונות ברמה גבוהה שנגזרו על ידי פיזיקאים כדי לעזור להבחין בין שני המעמדות. יש עניין בשימוש בשיטות למידה עמוקה כדי למנוע את הצורך של פיזיקאים לפתח תכונות כאלה באופן ידני. תוצאות בנצ'מרק באמצעות עצי החלטה בייסיאניים מחבילת פיזיקה סטנדרטית ורשתות עצביות 5-שכבות מוצגות במאמר המקורי.

• תיעוד נוסף : חקור על ניירות עם קוד north_east

• דף הבית : https://archive.ics.uci.edu/ml/datasets/HIGGS

• קוד מקור : tfds.structured.Higgs

• גרסאות :

  • 2.0.0 (ברירת מחדל): API חדש מפוצל ( https://tensorflow.org/datasets/splits )

• גודל הורדה : 2.62 GiB

• גודל מערך נתונים : 6.88 GiB

• שמירה אוטומטית במטמון ( תיעוד ): לא

• פיצולים :

• מבנה תכונה :

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,
})

• תיעוד תכונה :

• מפתחות בפיקוח (ראה as_supervised doc ): None

• איור ( tfds.show_examples ): לא נתמך.

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@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;%%"
}