higgs

• Mô tả :

Dữ liệu đã được tạo ra bằng cách sử dụng mô phỏng Monte Carlo. 21 tính năng đầu tiên (cột 2-22) là các đặc tính động học được đo bằng máy dò hạt trong máy gia tốc. Bảy tính năng cuối cùng là chức năng của 21 tính năng đầu tiên; đây là những tính năng cấp cao được các nhà vật lý rút ra để giúp phân biệt giữa hai lớp. Người ta quan tâm đến việc sử dụng các phương pháp học sâu để loại bỏ nhu cầu phát triển thủ công các tính năng đó của các nhà vật lý. Kết quả điểm chuẩn bằng cách sử dụng Cây quyết định Bayes từ gói vật lý tiêu chuẩn và mạng nơ-ron 5 lớp được trình bày trong bài báo gốc.

• Tài liệu bổ sung : Khám phá trên giấy tờ với mã north_east

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

• Mã nguồn : tfds.structured.Higgs

• Phiên bản :

  • 2.0.0 (mặc định): API phân tách mới ( https://tensorflow.org/datasets/splits )

• Kích thước tải xuống : 2.62 GiB

• Kích thước tập dữ liệu : 6.88 GiB

• Tự động lưu vào bộ nhớ cache ( tài liệu ): Không

• Chia tách :

• Cấu trúc tính năng :

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,
})

• Tài liệu tính năng :

• Các khóa được giám sát (Xem as_supervised doc ): None

• Hình ( tfds.show_examples ): Không được hỗ trợ.

• Ví dụ ( tfds.as_dataframe ):

• trích dẫn :

@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;%%"
}

• Mô tả :

Dữ liệu đã được tạo ra bằng cách sử dụng mô phỏng Monte Carlo. 21 tính năng đầu tiên (cột 2-22) là các đặc tính động học được đo bằng máy dò hạt trong máy gia tốc. Bảy tính năng cuối cùng là chức năng của 21 tính năng đầu tiên; đây là những tính năng cấp cao được các nhà vật lý rút ra để giúp phân biệt giữa hai lớp. Người ta quan tâm đến việc sử dụng các phương pháp học sâu để loại bỏ nhu cầu phát triển thủ công các tính năng đó của các nhà vật lý. Kết quả điểm chuẩn bằng cách sử dụng Cây quyết định Bayes từ gói vật lý tiêu chuẩn và mạng nơ-ron 5 lớp được trình bày trong bài báo gốc.

• Tài liệu bổ sung : Khám phá trên giấy tờ với mã north_east

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

• Mã nguồn : tfds.structured.Higgs

• Phiên bản :

  • 2.0.0 (mặc định): API phân tách mới ( https://tensorflow.org/datasets/splits )

• Kích thước tải xuống : 2.62 GiB

• Kích thước tập dữ liệu : 6.88 GiB

• Tự động lưu vào bộ nhớ cache ( tài liệu ): Không

• Chia tách :

• Cấu trúc tính năng :

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,
})

• Tài liệu tính năng :

• Các khóa được giám sát (Xem as_supervised doc ): None

• Hình ( tfds.show_examples ): Không được hỗ trợ.

• Ví dụ ( tfds.as_dataframe ):

• trích dẫn :

@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;%%"
}