- 博客(9)
- 收藏
- 关注
RSS订阅原创 【高能物理.ROOT】ROOT高斯拟合
有时候有些模型的部分参数是未知的，需要通过拟合得到。一般的拟合是找到最大似然函数最大的位置作为参数的估计值。最小二乘法（least squares）是一种常用的拟合方法，它通过最小化残差平方和来拟合数据。实际上就是假设了模型的误差项服从高斯分布，并通过极大似然估计的方法求解参数。没有对模型其他参数有限制。卡方拟合(chi square fitting)跟最小二乘法类似,实际上是一种特殊的最大似然函数,只不过假设模型的统计误差服从高斯分布一般的高能物理是计数实验,计数的统计误差往往服从泊松分布。
2024-06-11 17:13:12
914
原创 【高能物理.ROOT】一个Bin的信号强度上限的假设检验(下)
一个Bin中模型在单位时间内给出S=10.5,B=100.5的结果但是不能确定S是否真实存在,而且目前模型对于B来说有1%不确定度,通过分析确定多长时间能够达到1倍信号强度上限,以及给定数据Nobs=99确定上限。用的RooStats的HypoTestInverterPlot绘图，非常方便。上述方法是最方便定义变量、函数、模型的一种方法。利用SimpleLikelihoodRatioTestStat统计量。这些定义了纯本底模型和带信号的模型。分布得到的“截断角”的面积(概率)。本篇主要是其中代码的实现。
2024-06-06 11:26:41
1416
原创 【高能物理.ROOT】一个Bin的信号强度上限的假设检验(上)
的限制(或者说constrain)是均值为1.0,方差为0.1的正态分布.这里因为最大似然函数可以差任意一个倍数所以归一化没写。提到数据,自然联想到之前说的Asimov数据,通过Asimov数据能够估计一个信号强度。比如有一个区域没有信号，但是这块位置的拟合可以给信号区域的拟合提供帮助，那么。的Asimov数据，就能得到纯本底假设下预期上限即不确定度。，很有可能这只是因为本底的波动导致的，不应该拒绝H0.值的注意的是,检验统计量是可以不同的选择的，不过。就是在目前数据情况下给出的信号强度的上限。
2024-06-05 14:37:35
1078
原创 【机器学习BDT】python代码实现(下)
在原始数据权重基础上使用更新的数据权重以更新BDT模型.对于分类树的输出可以提前算好输出的整体权重。新的基学习器拟合残差。
2024-06-01 16:48:27
223
原创 【机器学习BDT】python代码实现(上)
在高能物理中,BDT用于对事例的分类，将信号和本底分开。对于简单例子，比如有一个信号，和一种本底，目前把BDT想象成一个函数，它的输入是事例的一些特征(例如:质心能量s)[(N,)形状变量]，输出是一个实数[(1,)形状变量],对于给定输入,输出是确定的。其实这个问题就转化成构建一个映射Y:X->R,使得预测结果最优神经网络也是相同的问题，BDT只是不同的范式,但是它的模型适合于分类问题。
2024-06-01 16:21:53
748
原创 【高能物理.ROOT】ROOT文件IO(下)
这种读入方式可以批量筛选数据(CUT)，还可以转numpy,还可以接入ROOT自带的一些分析工具。当碰到每个事例的其中一类数据(Branch)是二维数组甚至更高维情况就很难办,这种时候不能直接。学习ROOT一般从官方文档,tutorial,碰到奇怪问题有。读取TTree最重要的是搞清楚TTree的结构。有时候会用这种方法读,因为后一种方法占有内存多.一些关于RDataFrame的用法可以参考。一般读入数据后以什么方式存储是个问题。有一种直接读TTree的方法。,好用,但是我不常用。
2024-05-26 15:10:48
539
原创 【高能物理.ROOT】ROOT文件IO(上)
TTree是一个列表,每一行是一个事例,对于每一个事例,有abcde这类东西,其中acd对于每一个事例是纯数值,而be对于每一个事例是。由于使用的是python，主体过程是将python的array连接到Branch，然后每个事例填充。有时侯碰见这种情况不知道读哪一个,默认读入是最新的一个,其实这个事情是可以在写入的时候避免的.代码查看,建议是用交互式命令行模式,其一是快速,其二是服务器上往往这样查看.值得一提的是。上述代码向文件中写入一个tree，其中包含了五个分支，分别是。文件，打开文件可以看到。
2024-05-26 14:08:48
998
原创 【高能物理.ROOT】ROOT,PyROOT,Ubuntu安装
ROOT是一个高能物理分析的工具包，大部分高能物理数据都是以.rootROOT文件格式存储的.ROOT主要是C++,也有Python接口PyROOT。
2024-05-23 15:25:42
1165
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人