最流行的4個機器學習資料集
機器學習演算法需要作用於資料，而資料的本質則決定了應用的機器學習演算法是否合適，而資料的質量也會決定演算法表現的好壞程度。所以會研究資料，會分析資料很重要。本文作為學習研究資料系列博文的開篇，列舉了4個最流行的機器學習資料集。
Iris
Iris也稱鳶尾花卉資料集，是一類多重變數分析的資料集。通過花萼長度，花萼寬度，花瓣長度，花瓣寬度4個屬性預測鳶尾花卉屬於（Setosa，Versicolour，Virginica）三個種類中的哪一類。
| 資料集特徵: | 多變數 |
記錄數: | 150 |
領域: | 生活 |
|---|---|---|---|---|---|
| 屬性特徵: | 實數 |
屬性數目: | 4 |
捐贈日期 | 1988-07-01 |
| 相關應用: | 分類 |
缺失值? | 無 |
網站點選數: | 563347 |
Adult
該資料從美國1994年人口普查資料庫抽取而來，可以用來預測居民收入是否超過50K$/year。該資料集類變數為年收入是否超過50k$，屬性變數包含年齡，工種，學歷，職業，人種等重要資訊，值得一提的是，14個屬性變數中有7個類別型變數。
| 資料集特徵: | 多變數 |
記錄數: | 48842 |
領域: | 社會 |
|---|---|---|---|---|---|
| 屬性特徵: | 類別型，整數 |
屬性數目: | 14 |
捐贈日期 | 1996-05-01 |
| 相關應用: | 分類 |
缺失值? | 有 |
網站點選數: | 393977 |
Wine
這份資料集包含來自3種不同起源的葡萄酒的共178條記錄。13個屬性是葡萄酒的13種化學成分。通過化學分析可以來推斷葡萄酒的起源。值得一提的是所有屬性變數都是連續變數。
| 資料集特徵: | 多變數 |
記錄數: | 178 |
領域: | 物理 |
|---|---|---|---|---|---|
| 屬性特徵: | 整數，實數 |
屬性數目: | 13 |
捐贈日期 | 1991-07-01 |
| 相關應用: | 分類 |
缺失值? | 無 |
網站點選數: | 337319 |
Car Evaluation
這是一個關於汽車測評的資料集，類別變數為汽車的測評，（unacc，ACC，good，vgood）分別代表（不可接受，可接受，好，非常好），而6個屬性變數分別為「買入價」，「維護費」，「車門數」，「可容納人數」，「後備箱大小」，「安全性」。值得一提的是6個屬性變數全部是有序類別變數，比如「可容納人數」值可為「2，4，more」，「安全性」值可為「low, med, high」。
| 資料集特徵: | 多變數 |
記錄數: | 1728 |
領域: | N/A |
|---|---|---|---|---|---|
| 屬性特徵: | 類別型 |
屬性數目: | 6 |
捐贈日期 | 1997-06-01 |
| 相關應用: | 分類 |
缺失值? | 無 |
網站點選數: | 272901 |
小結
通過比較以上4個數據集的差異，簡單地總結：當需要試驗較大量的資料時，我們可以想到「Adult」；當想研究變數之間的相關性時，我們可以選擇變數值只為整數或實數的「Iris」和「Wine」；當想研究logistic迴歸時，我們可以選擇類變數值只有兩種的「Adult」；當想研究類別變數轉換時，我們可以選擇屬性變數為有序類別的「Car Evaluation」。更多的嘗試還需要對這些資料集了解更多才行。
文／紫鬆（簡書作者）
原文連結：http://www.jianshu.com/p/be23b3870d2e
著作權歸作者所有，轉載請聯絡作者獲得授權，並標註“簡書作者”。