BDT-hiukkasten tunnistus
Tehostetut päätöspuut (BDT, Boosted Decision Trees) ovat tehokkaita monimuuttujaluokittelijoita, joita käytetään hiukkasfysiikassa erottamaan erilaisia hiukkastyyppejä ilmaisimen antamien signaalien perusteella. Yhdistämällä monia heikkoja päätöspuita adaptiivisen tehostuksen avulla BDT:t saavuttavat ylivoimaisen erottelukyvyn verrattuna yksinkertaisiin leikkauksiin, mahdollistaen paremman puhtauden ja tehokkuuden hiukkasten tunnistuksessa sekä taustan hylkäämisessä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/fi/particle-physics/bdt-particle-identification
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Anti-kT-jet-algoritmiHiukkasfysiikka↔ vertaa
- HEP-radan rekonstruktioHiukkasfysiikka↔ vertaa
- Puuttuva poikittaisenergiaHiukkasfysiikka↔ vertaa
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →