BDT daļiņu identifikācija
Pastiprinātie lēmumu koki (BDT) ir jaudīgi daudzvariāciju klasifikatori, ko izmanto daļiņu fizikā, lai atšķirtu dažādus daļiņu tipus, pamatojoties uz detektora parakstiem. Apvienojot daudzus vājus lēmumu kokus, izmantojot adaptīvo pastiprināšanu, BDT panāk pārāku diskriminācijas spēju, salīdzinot ar vienkāršiem griezumiem, nodrošinot uzlabotu tīrību un efektivitāti daļiņu identifikācijā un fona noraidīšanā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/lv/particle-physics/bdt-particle-identification
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Anti-kT lidziņu algoritmsDaļiņu fizika↔ salīdzināt
- HEP treku rekonstrukcijaDaļiņu fizika↔ salīdzināt
- Trūkstošā šķērsenerģijaDaļiņu fizika↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →