BDT részecskeazonosítás
A Boosted Decision Trees (BDT) egy nagy teljesítményű, többváltozós osztályozó, amelyet a részecskefizikában használnak a különböző részecsketípusok megkülönböztetésére detektorsignatúrák alapján. Számos gyenge döntési fa adaptív boostolással történő kombinálásával a BDT-k kiváló megkülönböztető képességet érnek el az egyszerű vágásokhoz képest, ami javított tisztaságot és hatékonyságot tesz lehetővé a részecskeazonosításban és a háttér elutasításában.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/hu/particle-physics/bdt-particle-identification
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Anti-kT Jet AlgoritmusRészecskefizika↔ összehasonlítás
- HEP Track ReconstructionRészecskefizika↔ összehasonlítás
- Hiányzó Transzverzális EnergiaRészecskefizika↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →