Хиггс

• Описание :

Данные были получены с использованием моделирования методом Монте-Карло. Первые 21 характеристика (столбцы 2-22) представляют собой кинематические свойства, измеряемые детекторами частиц в ускорителе. Последние семь функций являются функциями первых 21 функции; это признаки высокого уровня, полученные физиками, чтобы помочь различать два класса. Существует интерес к использованию методов глубокого обучения, чтобы избавить физиков от необходимости вручную разрабатывать такие функции. Результаты тестов с использованием байесовских деревьев решений из стандартного физического пакета и 5-слойных нейронных сетей представлены в оригинальной статье.

• Дополнительная документация : изучить документы с кодом north_east

• Домашняя страница : https://archive.ics.uci.edu/ml/datasets/HIGGS

• Исходный код : tfds.structured.Higgs

• Версии :

  • 2.0.0 (по умолчанию): новый раздельный API ( https://tensorflow.org/datasets/splits )

• Размер загрузки : 2.62 GiB

• Размер набора данных : 6.88 GiB

• Автоматическое кэширование ( документация ): Нет

• Сплиты :

• Структура функции :

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,
})

• Документация по функциям :

• Ключи под наблюдением (см . документ as_supervised ): None

• Рисунок ( tfds.show_examples ): не поддерживается.

• Примеры ( tfds.as_dataframe ):

• Цитата :

@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;%%"
}

• Описание :

Данные были получены с использованием моделирования методом Монте-Карло. Первые 21 характеристика (столбцы 2-22) представляют собой кинематические свойства, измеряемые детекторами частиц в ускорителе. Последние семь функций являются функциями первых 21 функции; это признаки высокого уровня, полученные физиками, чтобы помочь различать два класса. Существует интерес к использованию методов глубокого обучения, чтобы избавить физиков от необходимости вручную разрабатывать такие функции. Результаты тестов с использованием байесовских деревьев решений из стандартного физического пакета и 5-слойных нейронных сетей представлены в оригинальной статье.

• Дополнительная документация : изучить документы с кодом north_east

• Домашняя страница : https://archive.ics.uci.edu/ml/datasets/HIGGS

• Исходный код : tfds.structured.Higgs

• Версии :

  • 2.0.0 (по умолчанию): новый раздельный API ( https://tensorflow.org/datasets/splits )

• Размер загрузки : 2.62 GiB

• Размер набора данных : 6.88 GiB

• Автоматическое кэширование ( документация ): Нет

• Сплиты :

• Структура функции :

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,
})

• Документация по функциям :

• Ключи под наблюдением (см . документ as_supervised ): None

• Рисунок ( tfds.show_examples ): не поддерживается.

• Примеры ( tfds.as_dataframe ):

• Цитата :

@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;%%"
}