হিগস

• বর্ণনা :

মন্টে কার্লো সিমুলেশন ব্যবহার করে ডেটা তৈরি করা হয়েছে। প্রথম 21টি বৈশিষ্ট্য (কলাম 2-22) হল গতিগত বৈশিষ্ট্য যা অ্যাক্সিলারেটরে কণা ডিটেক্টর দ্বারা পরিমাপ করা হয়। শেষ সাতটি বৈশিষ্ট্য হল প্রথম 21টি বৈশিষ্ট্যের ফাংশন; এই দুটি শ্রেণীর মধ্যে বৈষম্য করতে সাহায্য করার জন্য পদার্থবিদদের দ্বারা প্রাপ্ত উচ্চ-স্তরের বৈশিষ্ট্য। এই ধরনের বৈশিষ্ট্যগুলিকে ম্যানুয়ালি বিকাশ করার জন্য পদার্থবিদদের প্রয়োজনীয়তা দূর করার জন্য গভীর শিক্ষার পদ্ধতিগুলি ব্যবহার করার আগ্রহ রয়েছে। একটি স্ট্যান্ডার্ড ফিজিক্স প্যাকেজ এবং 5-লেয়ার নিউরাল নেটওয়ার্ক থেকে বায়েসিয়ান ডিসিশন ট্রি ব্যবহার করে বেঞ্চমার্ক ফলাফলগুলি মূল কাগজে উপস্থাপন করা হয়েছে।

• অতিরিক্ত ডকুমেন্টেশন : north_east কোড সহ কাগজপত্রে অন্বেষণ করুন

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

• সোর্স কোড : tfds.structured.Higgs

• সংস্করণ :

  • 2.0.0 (ডিফল্ট): নতুন স্প্লিট API ( https://tensorflow.org/datasets/splits )

• ডাউনলোড সাইজ : 2.62 GiB

• ডেটাসেটের আকার : 6.88 GiB

• স্বয়ংক্রিয় ক্যাশে ( ডকুমেন্টেশন ): না

• বিভাজন :

• বৈশিষ্ট্য গঠন :

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,
})

• বৈশিষ্ট্য ডকুমেন্টেশন :

• তত্ত্বাবধান করা কী (দেখুন as_supervised doc ): None

• চিত্র ( tfds.show_examples ): সমর্থিত নয়।

• উদাহরণ ( tfds.as_dataframe ):

• উদ্ধৃতি :

@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;%%"
}

• বর্ণনা :

মন্টে কার্লো সিমুলেশন ব্যবহার করে ডেটা তৈরি করা হয়েছে। প্রথম 21টি বৈশিষ্ট্য (কলাম 2-22) হল গতিগত বৈশিষ্ট্য যা অ্যাক্সিলারেটরে কণা ডিটেক্টর দ্বারা পরিমাপ করা হয়। শেষ সাতটি বৈশিষ্ট্য হল প্রথম 21টি বৈশিষ্ট্যের ফাংশন; এই দুটি শ্রেণীর মধ্যে বৈষম্য করতে সাহায্য করার জন্য পদার্থবিদদের দ্বারা প্রাপ্ত উচ্চ-স্তরের বৈশিষ্ট্য। এই ধরনের বৈশিষ্ট্যগুলিকে ম্যানুয়ালি বিকাশ করার জন্য পদার্থবিদদের প্রয়োজনীয়তা দূর করার জন্য গভীর শিক্ষার পদ্ধতিগুলি ব্যবহার করার আগ্রহ রয়েছে। একটি স্ট্যান্ডার্ড ফিজিক্স প্যাকেজ এবং 5-লেয়ার নিউরাল নেটওয়ার্ক থেকে বায়েসিয়ান ডিসিশন ট্রি ব্যবহার করে বেঞ্চমার্ক ফলাফলগুলি মূল কাগজে উপস্থাপন করা হয়েছে।

• অতিরিক্ত ডকুমেন্টেশন : north_east কোড সহ কাগজপত্রে অন্বেষণ করুন

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

• সোর্স কোড : tfds.structured.Higgs

• সংস্করণ :

  • 2.0.0 (ডিফল্ট): নতুন স্প্লিট API ( https://tensorflow.org/datasets/splits )

• ডাউনলোড সাইজ : 2.62 GiB

• ডেটাসেটের আকার : 6.88 GiB

• স্বয়ংক্রিয় ক্যাশে ( ডকুমেন্টেশন ): না

• বিভাজন :

• বৈশিষ্ট্য গঠন :

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,
})

• বৈশিষ্ট্য ডকুমেন্টেশন :

• তত্ত্বাবধান করা কী (দেখুন as_supervised doc ): None

• চিত্র ( tfds.show_examples ): সমর্থিত নয়।

• উদাহরণ ( tfds.as_dataframe ):

• উদ্ধৃতি :

@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;%%"
}