BDT osakeste identifitseerimine
Opitud otsustuspuud (BDT) on võimsad mitmemõõtmelised klassifitseerijad, mida kasutatakse osakestefüüsikas erinevate osakeste tüüpide eristamiseks detektori signatuuride põhjal. Paljude nõrkade otsustuspuude kombineerimisel adaptiivse võimendamise abil saavutavad BDT-d parema eraldusvõime võrreldes lihtsate lõigete (cuts) või piirangutega, võimaldades parandada osakeste identifitseerimise täpsust ja efektiivsust ning taustamüra vähendamist.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/et/particle-physics/bdt-particle-identification
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Anti-kT jet-algoritmOsakestefüüsika↔ võrdle
- HEP-i jälgede rekonstrueerimineOsakestefüüsika↔ võrdle
- Puuduv transversaalne energiaOsakestefüüsika↔ võrdle
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →