BDT Partikelidentifikation
Boostede beslutningstræer (BDT'er) er kraftfulde multivariate klassifikatorer, der bruges i partikelfysik til at skelne mellem forskellige partikeltyper baseret på detektorsignaturer. Ved at kombinere mange svage beslutningstræer gennem adaptiv boosting opnår BDT'er overlegen diskriminationskraft sammenlignet med simple snit, hvilket muliggør forbedret renhed og effektivitet i partikelidentifikation og baggrundsafvisning.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. DOI: 10.1023/A:1010933404324 ↗
- Kieseler, J., et al. (2016). Machine learning for detector trigger optimization at the LHC. Nuclear Instruments and Methods in Physics Research Section A, 824, 29–37. link ↗
- Aarrestad, T. K., et al. (2021). Machine learning for particle discrimination at the LHC. Journal of Physics: Conference Series, 1525(1), 012034. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/da/particle-physics/bdt-particle-identification
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Anti-kT Jet AlgoritmenPartikelfysik↔ sammenlign
- HEP Track ReconstructionPartikelfysik↔ sammenlign
- Manglende transvers energiPartikelfysik↔ sammenlign
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →