最流行的4個機器學習資料集【轉】

標籤：http   os   io   strong   資料   ar   演算法   log   

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，而資料的品質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數列博文的開篇，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	網網站擊數:	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$/year。該資料集類變數為年度營收是否超過50k$，屬性變數包含年齡，工種，學曆，職業，人種等重要訊息，值得一提的是，14個屬性變數中有7個類型變數。

資料集特徵:	多變數	記錄數:	48842	領域:	社會
屬性特徵:	類型，整數	屬性數目:	14	捐贈日期	1996-05-01
相關應用:	分類	缺失值?	有	網網站擊數:	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	網網站擊數:	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:	類型	屬性數目:	6	捐贈日期	1997-06-01
相關應用:	分類	缺失值?	無	網網站擊數:	272901

小結

通過比較以上4個資料集的差異，簡單地總結：當需要實驗較大量的資料時，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瞭解更多才行。

以上資料集：http://archive.ics.uci.edu/ml/