BDT-partikkelidentifikasjon
Boosted Decision Trees (BDTs) er kraftige multivariate klassifikatorer som brukes i partikkelfysikk for å skille mellom ulike partikkeltyper basert på detektorsignaturer. Ved å kombinere mange svake beslutningstrær gjennom adaptiv boosting, oppnår BDT-er overlegen diskriminerende kraft sammenlignet med enkle kutt, noe som muliggjør forbedret renhet og effektivitet i partikkelidentifikasjon og bakgrunnsundertrykkelse.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/no/particle-physics/bdt-particle-identification
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- Anti-kT Jet AlgoritmePartikkelfysikk↔ sammenlign
- HEP SporrekonstruksjonPartikkelfysikk↔ sammenlign
- Manglende tverrgående energiPartikkelfysikk↔ sammenlign
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →