เปรียบเทียบวิธี

	การจำแนกอนุภาคด้วย BDT	ทฤษฎีสนามประสิทธิผล
สาขาวิชา	ฟิสิกส์อนุภาค	ฟิสิกส์อนุภาค
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	2000	1979
ผู้ริเริ่ม	Machine learning / particle physics community	Steven Weinberg
ประเภท	Particle discrimination algorithm	Model-independent approach
แหล่งต้นตำรับ	Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.	Weinberg, S. (1979). Baryon and lepton nonconserving processes. Physical Review Letters, 43(21), 1566.
ชื่อเรียกอื่น	BDT classifier, MVA particle ID, multivariate particle identification	EFT, effective theory, operator product expansion
ที่เกี่ยวข้อง	3	3
สรุป	Boosted Decision Trees (BDTs) are powerful multivariate classifiers used in particle physics to distinguish between different particle types based on detector signatures. By combining many weak decision trees through adaptive boosting, BDTs achieve superior discrimination power compared to simple cuts, enabling improved purity and efficiency in particle identification and background rejection.	Effective Field Theory (EFT) is a general framework for studying physics at low energies in terms of the relevant degrees of freedom, without requiring complete knowledge of high-energy physics. By expanding in powers of energy, EFT provides model-independent parameterizations of new physics effects and systematic methods for computing precision predictions of the Standard Model.