higgs

• Descrizione :

I dati sono stati prodotti utilizzando simulazioni Monte Carlo. Le prime 21 caratteristiche (colonne 2-22) sono proprietà cinematiche misurate dai rivelatori di particelle nell'acceleratore. Le ultime sette caratteristiche sono funzioni delle prime 21 caratteristiche; queste sono caratteristiche di alto livello derivate dai fisici per aiutare a discriminare tra le due classi. C'è un interesse nell'usare metodi di deep learning per ovviare alla necessità per i fisici di sviluppare manualmente tali caratteristiche. I risultati del benchmark utilizzando gli alberi decisionali bayesiani da un pacchetto di fisica standard e le reti neurali a 5 strati sono presentati nel documento originale.

• Documentazione aggiuntiva : Esplora documenti con codice north_east

• Pagina iniziale : https://archive.ics.uci.edu/ml/datasets/HIGGS

• Codice sorgente : tfds.structured.Higgs

• Versioni :

  • 2.0.0 (impostazione predefinita): nuova API divisa ( https://tensorflow.org/datasets/splits )

• Dimensione del download : 2.62 GiB

• Dimensione del set di dati: 6.88 GiB

• Cache automatica ( documentazione ): No

• Divisioni :

• Struttura delle caratteristiche :

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,
})

• Documentazione delle funzionalità :

• Chiavi supervisionate (Vedi as_supervised doc ): None

• Figura ( tfds.show_examples ): non supportato.

• Esempi ( tfds.as_dataframe ):

• Citazione :

@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;%%"
}

• Descrizione :

I dati sono stati prodotti utilizzando simulazioni Monte Carlo. Le prime 21 caratteristiche (colonne 2-22) sono proprietà cinematiche misurate dai rivelatori di particelle nell'acceleratore. Le ultime sette caratteristiche sono funzioni delle prime 21 caratteristiche; queste sono caratteristiche di alto livello derivate dai fisici per aiutare a discriminare tra le due classi. C'è un interesse nell'usare metodi di deep learning per ovviare alla necessità per i fisici di sviluppare manualmente tali caratteristiche. I risultati del benchmark utilizzando gli alberi decisionali bayesiani da un pacchetto di fisica standard e le reti neurali a 5 strati sono presentati nel documento originale.

• Documentazione aggiuntiva : Esplora documenti con codice north_east

• Pagina iniziale : https://archive.ics.uci.edu/ml/datasets/HIGGS

• Codice sorgente : tfds.structured.Higgs

• Versioni :

  • 2.0.0 (impostazione predefinita): nuova API divisa ( https://tensorflow.org/datasets/splits )

• Dimensione del download : 2.62 GiB

• Dimensione del set di dati: 6.88 GiB

• Cache automatica ( documentazione ): No

• Divisioni :

• Struttura delle caratteristiche :

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,
})

• Documentazione delle funzionalità :

• Chiavi supervisionate (Vedi as_supervised doc ): None

• Figura ( tfds.show_examples ): non supportato.

• Esempi ( tfds.as_dataframe ):

• Citazione :

@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;%%"
}