Identification de Particules par Arbres de Décision Boostés (BDT)
Les Arbres de Décision Boostés (BDT) sont de puissants classificateurs multivariés utilisés en physique des particules pour distinguer différents types de particules en se basant sur leurs signatures détecteur. En combinant de nombreux arbres de décision faibles par boosting adaptatif, les BDT atteignent une puissance de discrimination supérieure par rapport aux coupures simples, permettant une meilleure pureté et efficacité dans l'identification des particules et le rejet des fonds.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/fr/particle-physics/bdt-particle-identification
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Algorithme de jet anti-kTPhysique des particules↔ comparer
- Reconstruction de trajectoires en physique des hautes énergiesPhysique des particules↔ comparer
- Énergie Transverse ManquantePhysique des particules↔ comparer
Référencée par
Similar methods
Une erreur sur cette page ? Signalez-la ou proposez une correction →