BDT Partikelidentifiering
Boosted Decision Trees (BDT) är kraftfulla multivariata klassificerare som används inom partikelfysik för att skilja mellan olika partikelslag baserat på detektorsignaturer. Genom att kombinera många svaga beslutsträd genom adaptiv boosting, uppnår BDT överlägsen diskrimineringsförmåga jämfört med enkla snitt, vilket möjliggör förbättrad renhet och effektivitet vid partikelidentifiering och bakgrundsavvisning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/sv/particle-physics/bdt-particle-identification
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Anti-kT Jet AlgorithmPartikelfysik↔ jämför
- HEP SpårrekonstruktionPartikelfysik↔ jämför
- Saknad transversell energiPartikelfysik↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →