ฮิกส์

• คำอธิบาย :

ข้อมูลถูกสร้างขึ้นโดยใช้การจำลองแบบมอนติคาร์โล คุณสมบัติ 21 ข้อแรก (คอลัมน์ 2-22) เป็นคุณสมบัติทางจลนศาสตร์ที่วัดโดยเครื่องตรวจจับอนุภาคในเครื่องเร่งความเร็ว คุณลักษณะเจ็ดประการสุดท้ายคือฟังก์ชันของคุณลักษณะ 21 ประการแรก; สิ่งเหล่านี้เป็นคุณสมบัติระดับสูงที่นักฟิสิกส์ได้มาเพื่อช่วยในการแยกแยะระหว่างสองคลาส มีความสนใจในการใช้วิธีการเรียนรู้เชิงลึกเพื่อขจัดความจำเป็นที่นักฟิสิกส์จะต้องพัฒนาคุณลักษณะดังกล่าวด้วยตนเอง ผลลัพธ์เกณฑ์มาตรฐานโดยใช้ Bayesian Decision Trees จากแพ็คเกจฟิสิกส์มาตรฐานและโครงข่ายประสาทเทียม 5 ชั้นถูกนำเสนอในเอกสารต้นฉบับ

• เอกสารประกอบเพิ่มเติม : สำรวจเอกสารด้วยรหัส north_east

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

• รหัสที่มา : tfds.structured.Higgs

• รุ่น :

  • 2.0.0 (ค่าเริ่มต้น): API แยกใหม่ ( https://tensorflow.org/datasets/splits )

• ขนาดการดาวน์โหลด : 2.62 GiB

• ขนาดชุดข้อมูล : 6.88 GiB

• แคชอัตโนมัติ ( เอกสารประกอบ ): ไม่

• แยก :

• โครงสร้างคุณลักษณะ :

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,
})

• เอกสารคุณสมบัติ :

• คีย์ภายใต้การดูแล (ดู as_supervised doc ): None

• รูปภาพ ( tfds.show_examples ): ไม่รองรับ

• ตัวอย่าง ( tfds.as_dataframe ):

• การอ้างอิง :

@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;%%"
}

• คำอธิบาย :

ข้อมูลถูกสร้างขึ้นโดยใช้การจำลองแบบมอนติคาร์โล คุณสมบัติ 21 ข้อแรก (คอลัมน์ 2-22) เป็นคุณสมบัติทางจลนศาสตร์ที่วัดโดยเครื่องตรวจจับอนุภาคในเครื่องเร่งความเร็ว คุณลักษณะเจ็ดประการสุดท้ายคือฟังก์ชันของคุณลักษณะ 21 ประการแรก; สิ่งเหล่านี้เป็นคุณสมบัติระดับสูงที่นักฟิสิกส์ได้มาเพื่อช่วยในการแยกแยะระหว่างสองคลาส มีความสนใจในการใช้วิธีการเรียนรู้เชิงลึกเพื่อขจัดความจำเป็นที่นักฟิสิกส์จะต้องพัฒนาคุณลักษณะดังกล่าวด้วยตนเอง ผลลัพธ์เกณฑ์มาตรฐานโดยใช้ Bayesian Decision Trees จากแพ็คเกจฟิสิกส์มาตรฐานและโครงข่ายประสาทเทียม 5 ชั้นถูกนำเสนอในเอกสารต้นฉบับ

• เอกสารประกอบเพิ่มเติม : สำรวจเอกสารด้วยรหัส north_east

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

• รหัสที่มา : tfds.structured.Higgs

• รุ่น :

  • 2.0.0 (ค่าเริ่มต้น): API แยกใหม่ ( https://tensorflow.org/datasets/splits )

• ขนาดการดาวน์โหลด : 2.62 GiB

• ขนาดชุดข้อมูล : 6.88 GiB

• แคชอัตโนมัติ ( เอกสารประกอบ ): ไม่

• แยก :

• โครงสร้างคุณลักษณะ :

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,
})

• เอกสารคุณสมบัติ :

• คีย์ภายใต้การดูแล (ดู as_supervised doc ): None

• รูปภาพ ( tfds.show_examples ): ไม่รองรับ

• ตัวอย่าง ( tfds.as_dataframe ):

• การอ้างอิง :

@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;%%"
}