BDT-Teilchenidentifikation
Boosted Decision Trees (BDTs) sind leistungsstarke multivariate Klassifikatoren, die in der Teilchenphysik verwendet werden, um verschiedene Teilchentypen basierend auf Detektorsignaturen zu unterscheiden. Durch die Kombination vieler schwacher Entscheidungsbäume mittels adaptivem Boosting erzielen BDTs eine überlegene Diskriminierungsleistung im Vergleich zu einfachen Schnitten, was eine verbesserte Reinheit und Effizienz bei der Teilchenidentifikation und Hintergrundunterdrückung ermöglicht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/de/particle-physics/bdt-particle-identification
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Anti-kT-Jet-AlgorithmusTeilchenphysik↔ vergleichen
- HEP-Spur-RekonstruktionTeilchenphysik↔ vergleichen
- Fehlende TransversalenergieTeilchenphysik↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →