شناسایی ذره BDT
درختان تصمیم بوستشده (BDT) طبقهبندهای چندمتغیره قدرتمندی هستند که در فیزیک ذرات برای تمایز بین انواع مختلف ذرات بر اساس امضاهای آشکارساز به کار میروند. با ترکیب بسیاری از درختان تصمیم ضعیف از طریق بوستینگ تطبیقی، BDTها قدرت تفکیک برتری نسبت به برشهای ساده به دست میآورند و باعث بهبود خلوص و کارایی در شناسایی ذرات و رد پسزمینه میشوند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/fa/particle-physics/bdt-particle-identification
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- الگوریتم جت ضد-kTفیزیک ذرات↔ مقایسه
- بازسازی مسیر در فیزیک انرژی بالافیزیک ذرات↔ مقایسه
- انرژی عرضی گمشدهفیزیک ذرات↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →