Data Set Information:

在高能物理实验中，机器学习被用来寻找奇异粒子的特征。这些特征是通过蒙特卡罗模拟产生这些粒子的碰撞以及由此产生的衰变产物而获得的。在这里的三个数据集中，每个数据集的目标都是将产生粒子的碰撞与背景源分离。

新粒子的质量未知，因此提供了三个独立的数据集。在每个数据集中，50%的数据来自信号处理，而50%来自背景处理。数据分为700万个示例的训练集和350万个示例的测试集。

1） 在“1000”数据集中，信号粒子的质量为1000。（注意：此数据集不包括质量特征，因为所有信号示例都具有相同的质量。）

2） 在“not1000”数据集中，信号粒子的质量从集合{50075012501500}中均匀绘制。质量作为输入特征包括在内；对于背景示例，质量是从同一集中随机选择的。

3） 在“all”数据集中，信号粒子的质量从集合{500、750、1000、1250、1500}中均匀绘制。质量作为输入特征包括在内；对于背景示例，质量是从同一集中随机选择的。

Attribute Information:

The first column is the class label (1 for signal, 0 for background), followed by the 27 normalized features (22 low-level features then 5 high-level features), and a 28th mass feature for datasets 2 and 3. See the original paper for more detailed information.

There is a header line in each file.

Relevant Papers:

Pierre Baldi, Kyle Cranmer, Taylor Faucett, Peter Sadowski, and Daniel Whiteson. 'Parameterized Machine Learning for High-Energy Physics.' In submission.

Citation Request:

If you have no special citation requests, please leave this field blank.

Daniel Whiteson daniel '@' uci.edu, Assistant Professor, Physics & Astronomy, Univ. of California Irvine