Identificación de Partículas con Árboles de Decisión Potenciados (BDT)
Los Árboles de Decisión Potenciados (BDT, por sus siglas en inglés) son clasificadores multivariante potentes utilizados en física de partículas para distinguir entre diferentes tipos de partículas basándose en sus firmas detectadas. Al combinar muchos árboles de decisión débiles mediante potenciación adaptativa, los BDT logran una potencia de discriminación superior en comparación con cortes simples, permitiendo mejorar la pureza y la eficiencia en la identificación de partículas y el rechazo de fondo.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/es/particle-physics/bdt-particle-identification
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Algoritmo de jets anti-kTFísica de partículas↔ comparar
- Reconstrucción de trazas en HEPFísica de partículas↔ comparar
- Energía Transversa AusenteFísica de partículas↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →