BDT-partikelidentificatie
Boosted Decision Trees (BDT's) zijn krachtige multivariate classificatoren die in de deeltjesfysica worden gebruikt om te onderscheiden tussen verschillende deeltjestypes op basis van detectoren. Door vele zwakke beslissingsbomen te combineren via adaptieve boosting, bereiken BDT's een superieure discriminatiekracht vergeleken met simpele cuts, wat leidt tot verbeterde zuiverheid en efficiëntie in partikelidentificatie en achtergrondverwerping.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/nl/particle-physics/bdt-particle-identification
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Anti-kT Jet AlgoritmeDeeltjesfysica↔ vergelijken
- HEP Track ReconstructionDeeltjesfysica↔ vergelijken
- Ontbrekende Transversale EnergieDeeltjesfysica↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →