Development of statistical nonparametric and divergence methods for data processing in D0 and NOvA experiments
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F16%3A00304786" target="_blank" >RIV/68407700:21340/16:00304786 - isvavai.cz</a>
Result on the web
—
DOI - Digital Object Identifier
—
Alternative languages
Result language
čeština
Original language name
Vývoj statistických neparametrických a divergencních metod pro zpracování dat z experimentu D0 a NOvA
Original language description
Binární rozhodovací stromy jsou casto užívaným nástrojem pri klasifikaci vícerozmerných dat, napríklad v oblasti cásticové fyziky. Prezentujeme proto návrh nového binárního divergencního rozhodovacího stromu s ucitelem s vnorenou separacní metodou založenou na jádrových odhadech hustoty pravdepodobnosti. V každém uzlu stromu provádí vnorená metoda klasifikaci pouze na omezeném poctu vhodne vybraných fyzikálních promenných. Výber promenných je založen na maximalizaci divergencní míry mezi dvema separovanými trídami pozorování. Za úcelem trénování separace aplikujeme separacní strom na soubor Monte Carlo simulace dat pocházejících z cásticového urychlovace Tevatron pri experimentu DØ ve Fermilabu. Kvuli aplikaci metody na reálná data pak rovnež testujeme korektní selekci promenných v simulaci Monte Carlo a predstavíme modifikace testu pro vážené prvky v souborech pozorování.
Czech name
Vývoj statistických neparametrických a divergencních metod pro zpracování dat z experimentu D0 a NOvA
Czech description
Binární rozhodovací stromy jsou casto užívaným nástrojem pri klasifikaci vícerozmerných dat, napríklad v oblasti cásticové fyziky. Prezentujeme proto návrh nového binárního divergencního rozhodovacího stromu s ucitelem s vnorenou separacní metodou založenou na jádrových odhadech hustoty pravdepodobnosti. V každém uzlu stromu provádí vnorená metoda klasifikaci pouze na omezeném poctu vhodne vybraných fyzikálních promenných. Výber promenných je založen na maximalizaci divergencní míry mezi dvema separovanými trídami pozorování. Za úcelem trénování separace aplikujeme separacní strom na soubor Monte Carlo simulace dat pocházejících z cásticového urychlovace Tevatron pri experimentu DØ ve Fermilabu. Kvuli aplikaci metody na reálná data pak rovnež testujeme korektní selekci promenných v simulaci Monte Carlo a predstavíme modifikace testu pro vážené prvky v souborech pozorování.
Classification
Type
O - Miscellaneous
CEP classification
BB - Applied statistics, operational research
OECD FORD branch
—
Result continuities
Project
Result was created during the realization of more than one project. More information in the Projects tab.
Continuities
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Others
Publication year
2016
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů