Název: Statistical Expectation of High Energy Physics Data Sets Separation Algorithms
Autoři: Hakl, František
Typ dokumentu: Příspěvky z konference
Konference/Akce: SPMS 2013, Nebřich (CZ), 2013-06-24 / 2013-06-29
Rok: 2013
Jazyk: eng
Abstrakt: Article focuses on the application of the basic results of the statistical learning theory known as Probabilistic Approximately Correct learning in the evaluation and post-processing of unique physical data obtained from the detectors of particle accelerators. The aim of this article is not direct separation of the measured data but evaluation of the appropriateness of separation methods used. The main principles and results of the PAC learning theory are briefly summarized, the main characteristics of selected multivariable data separation algorithms are studied from the VC-dimension point of view. Finally, based on actual data sets obtained from Tevatron D$\emptyset$ experiment, some practical hints for separation method selection and numerical computation are derived.
Klíčová slova: Decision trees; HEP data separation; Neural networks; Probably Approximately Correct Learning; Refutability; VC-dimension
Číslo projektu: LG12020 (CEP)
Poskytovatel projektu: GA MŠk
Zdrojový dokument: Stochastic and Physical Monitoring Systems 2013, ISBN 978-80-01-05383-6

Instituce: Ústav informatiky AV ČR (web)
Informace o dostupnosti dokumentu: Dokument je dostupný v příslušném ústavu Akademie věd ČR.
Původní záznam: http://hdl.handle.net/11104/0227782

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-166223


Záznam je zařazen do těchto sbírek:
Věda a výzkum > AV ČR > Ústav informatiky
Konferenční materiály > Příspěvky z konference