การจำแนกอนุภาคด้วย BDT
Boosted Decision Trees (BDTs) เป็นตัวจำแนกแบบหลายตัวแปรที่มีประสิทธิภาพสูง ซึ่งใช้ในฟิสิกส์อนุภาคเพื่อแยกแยะประเภทอนุภาคต่างๆ โดยอาศัยลายเซ็นของเครื่องตรวจจับ การรวมต้นไม้ตัดสินใจแบบอ่อนหลายๆ ต้นเข้าด้วยกันผ่านการเพิ่มประสิทธิภาพแบบปรับตัว (adaptive boosting) ทำให้ BDT มีความสามารถในการแยกแยะที่เหนือกว่าการใช้การตัดแบบง่ายๆ ซึ่งช่วยปรับปรุงความบริสุทธิ์และประสิทธิภาพในการจำแนกอนุภาคและการปฏิเสธพื้นหลัง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Boosted Decision Tree Particle Identification. ScholarGate. https://scholargate.app/th/particle-physics/bdt-particle-identification
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- ขั้นตอนวิธีเจ็ตแบบ anti-kTฟิสิกส์อนุภาค↔ เปรียบเทียบ
- การสร้างรอยทางอนุภาคพลังงานสูง (HEP Track Reconstruction)ฟิสิกส์อนุภาค↔ เปรียบเทียบ
- พลังงานทรานส์เวิร์สที่หายไปฟิสิกส์อนุภาค↔ เปรียบเทียบ