有什么好的数据集可以学习基本的机器学习算法，为什么呢？

19

我是机器学习的新手，正在寻找一些可以比较和对比不同机器学习算法（决策树，Boosting，SVM和神经网络）之间差异的数据集。

在哪里可以找到这样的数据集？考虑数据集时我应该寻找什么？

如果您可以指向一些好的数据集，并告诉我是什么使它们成为一个好的数据集，那将是很好的选择？

machine-learning dataset

6

我想知道这个问题是否更适合opendata.stackexchange.com ...关于数据集，大多数教科书都提到了此类数据集并使它们可用，其中许多已经在统计软件或此类软件的库中提供。您也可以看到archive.ics.uci.edu/ml/datasets.html。当然，另一个问题是什么使某些数据集对学习“好”而使某些数据集“不好” –这是一个有趣的问题。

— 蒂姆

您将在CRAN上找到一些数据集作为包，例如：ElemStatLearn和其他数据集。

— kjetil b halvorsen

2

@Tim因为这个问题有一个教学方面的问题（例如，出于学习目的的“良好”数据集的一个示例显示了不同算法给出的结果截然不同的示例），我认为它比CV比OpenData更适合。

— 银鱼

2

我认为，从教学的角度来看，有关数据集的问题无疑是热门话题：例如，“虹膜”数据集的哪些方面使它作为示例/教学/测试数据集如此成功；为类似于Anscombe的四重奏组而构建的数据集

— Silverfish

@Silverfish：关于Meta的讨论（关于数据集的问题）已经讨论过：可能的例外？-＆似乎您的观点已经普遍达成共识。但是我仍然认为这个问题。范围很广-有什么明显区别于查找免费数据样本？

— Scortchi-恢复莫妮卡

16

以下站点中的数据集是免费提供的。这些数据集已被用来向学生教授ML算法，因为大多数情况下都有数据集的描述。另外，提到了哪种算法都适用。

— 学习者
source

11

Kaggle有大量的数据集可用于练习。

（我很惊讶到目前为止还没有提到！）

它有两件事（在许多其他事情中）使其成为非常宝贵的资源：

很多干净的数据集。虽然无噪声的数据集并不能真正代表现实世界的数据集，但它们特别适合您的目的-部署ML算法。
您也可以查看同一数据集的其他人的ML模型，这可能是一种有趣的方式。毋庸置疑，与其他任何方面一样，您从最佳实践者那里学习所获得的帮助非常有用。

— nz_21
source

1

这确实是最好的答案，因为除了种类繁多的数据集外，每个挑战的论坛都是宝贵的资源，可用于获取技术和技巧以及代码示例。

— 亚历克斯R.17年

2

首先，我建议从软件随附的示例数据开始。大多数软件发行版中都包含示例数据，您可以使用这些示例数据来熟悉算法，而无需处理数据类型并将数据折算为算法的正确格式。即使您是从头开始构建算法，也可以从类似实现的示例开始并比较性能。

其次，我建议您尝试使用合成数据集，以在知道数据是如何生成的以及信噪比时了解算法的性能。

在R中，您可以使用以下命令列出当前安装的软件包中的所有数据集：

data(package = installed.packages()[, 1])

R包mlbench具有真实的数据集，可以生成对于研究算法性能有用的综合数据集。

Python的scikit-learn具有示例数据，也可以生成合成/玩具数据集。

SAS具有可供下载的培训数据集，并且通过软件在以下位置安装了SPSS样本数据：C：\ Program Files \ IBM \ SPSS \ Statistics \ 22 \ Samples

最后，我将研究野生数据。我将比较实际数据集上不同算法和调整参数的性能。这通常需要做很多工作，因为您很少会找到带有可放入算法中的数据类型和结构的数据集。

对于野外数据，我建议：

reddit的数据集存档

KDnugget的列表

— 布兰德科
source

1

对于那些没有R且不想下载它只是为了访问这些数据集的人，可在此处在线获得数据集和描述。

— gung-恢复莫妮卡

0

该虹膜数据集手了。它也位于基数R中。

— 苹果橙
source

1

请回答问题的实质部分：“ ...还告诉我是什么使它们成为一个好的数据集？”

— whuber

0

我认为，您应该从没有太多功能的小型数据集开始。

一个例子是虹膜数据集（用于分类）。它具有3个类别，每个类别有50个样本，总计150个数据点。Data School的视频系列是帮助您探索此数据集的一个绝佳资源。

另一个要检查的数据集是来自UCI -ML存储库的Wine Quality数据集。它具有4898个数据点和12个属性。

— Darshan Chaudhary
source