higgs

• Deskripsi :

Data telah diproduksi menggunakan simulasi Monte Carlo. 21 fitur pertama (kolom 2-22) adalah sifat kinematik yang diukur dengan detektor partikel di akselerator. Tujuh fitur terakhir adalah fungsi dari 21 fitur pertama; ini adalah fitur tingkat tinggi yang diturunkan oleh fisikawan untuk membantu membedakan antara dua kelas. Ada minat dalam menggunakan metode pembelajaran mendalam untuk meniadakan kebutuhan fisikawan untuk mengembangkan fitur tersebut secara manual. Hasil benchmark menggunakan Pohon Keputusan Bayesian dari paket fisika standar dan jaringan saraf 5 lapis disajikan dalam makalah aslinya.

• Dokumentasi Tambahan : Jelajahi di Makalah Dengan Kode north_east

• Beranda : 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 dataset : 6.88 GiB

• Di-cache otomatis ( dokumentasi ): Tidak

• Perpecahan :

• Struktur fitur :

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,
})

• Dokumentasi fitur :

• Kunci yang diawasi (Lihat as_supervised doc ): None

• Gambar ( tfds.show_examples ): Tidak didukung.

• Contoh ( tfds.as_dataframe ):

• 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;%%"
}

• Deskripsi :

Data telah diproduksi menggunakan simulasi Monte Carlo. 21 fitur pertama (kolom 2-22) adalah sifat kinematik yang diukur dengan detektor partikel di akselerator. Tujuh fitur terakhir adalah fungsi dari 21 fitur pertama; ini adalah fitur tingkat tinggi yang diturunkan oleh fisikawan untuk membantu membedakan antara dua kelas. Ada minat dalam menggunakan metode pembelajaran mendalam untuk meniadakan kebutuhan fisikawan untuk mengembangkan fitur tersebut secara manual. Hasil benchmark menggunakan Pohon Keputusan Bayesian dari paket fisika standar dan jaringan saraf 5 lapis disajikan dalam makalah aslinya.

• Dokumentasi Tambahan : Jelajahi di Makalah Dengan Kode north_east

• Beranda : 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 dataset : 6.88 GiB

• Di-cache otomatis ( dokumentasi ): Tidak

• Perpecahan :

• Struktur fitur :

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,
})

• Dokumentasi fitur :

• Kunci yang diawasi (Lihat as_supervised doc ): None

• Gambar ( tfds.show_examples ): Tidak didukung.

• Contoh ( tfds.as_dataframe ):

• 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;%%"
}