<mark id="oztn4"></mark>
1
| 本文作者： 大壯旅 | 2016-11-12 10:53 |
編者按：數據集可謂是數據科學的練兵場，不管是對菜鳥入門還是老司機上路，能找到一個好用的數據集無異于如虎添翼。以下是雷鋒網整理編譯的 17 個常用數據集，并列舉了適用的典型問題，從菜鳥到老司機，總有一款適合你。
在模式識別文獻中，Iris 數據集恐怕是最通用也是最簡單的數據集了。要學習分類技術，Iris 數據集絕對是最方便的途徑。如果你之前從未接觸過數據科學這一概念，從這里開始一定沒錯，因為該數據集只有 4 列 150 行。
典型問題：在可用屬性基礎上預測花的類型。
泰坦尼克數據集也是全球數據科學殿堂中出鏡率最高的數據集之一。借助一些教程和指導，泰坦尼克數據集可以讓你深入了解數據科學。通過對類別、數字、文本等數據的結合，你能從該數據集中總結出最瘋狂的想法。該數據集更重視分類問題，共有 12 列 891 行。
典型問題：預測泰坦尼克號上生還的幸存者人數。
在所有行業中，最為倚重數據分析技術的就是保險業。貸款預測數據集可以讓保險公司對即將面對的挑戰、選擇的應對方式和影響有一個清晰的認識。與泰坦尼克數據集相同，它也是一個分類問題，該數據集共有 13 列 615 行。
典型問題：預測貸款申請能否得到批準。
零售業也是數據分析技術的重度使用者之一，它們可以利用分析數據來優化整個商業流程。利用數據科學技術，管理人員可以準確的完成產品分配、庫存管理、供貨和打包等復雜流程。這一數據集的名字已經透露出了它的屬性，它就是商店的交易記錄，主要解決回歸問題。該數據集共有 12 列 8523 行。
典型問題：預測銷售情況。
該數據集也是模式識別文獻中的典型數據集，該數據集得名是因為波士頓的房地產行業，同時它也是一個回歸問題。該數據集共有 14 列 8506 行。因此，即使你手上的筆記本電腦性能較弱也能 Hold 住該數據集。
典型問題：預測房屋售價的中間值。
該數據集是由 30 個受試人智能手機內置的傳感器收集的。許多機器學習課程中該數據集是學生聯手的重要助手。該數據集屬于多標記分類問題，共有 561 列 10299 行。
典型問題：預測人類活動的類別。
該數據集主要是由零售店的交易記錄組成的，它在數據集界資格很老，可以幫助商家了解自己商店每天的購物體驗。“黑五”數據集也是個回歸問題，它共有 12 列 550069 行。
典型問題：預測消費者購物量。
該數據集包含航空公司飛行數據中關于航空安全問題的報告，屬于多標記分類的高維問題，雷鋒網了解到它共有 30438 列 21519 行。
典型問題：根據標簽為文檔分類。
該數據即來源于美國的一個單車分享服務，想掌握它，你必須擁有專業的數據整理技巧。該數據集 2010 年第四季度開始每季度都會總結出一個新文檔，每個文檔則擁有 7 列。它屬于典型的分類問題。
典型問題：預測用戶的類型。
是不是覺得很新奇，原來這項技術還能用在娛樂業啊。該數據集能幫你完成回歸問題，它包括 515345 個觀察值和 90 個變量。不過，這還只是百萬首歌曲數據庫中的一個小子集。
典型問題：預測發行歌曲的最佳年份。
該數據集屬于非平衡數據分類和機器學習問題。眾多周知，機器學習在解決非平衡問題上效果顯著，它可以執行癌癥和欺詐檢測等任務。該數據集共有 14 列 48842 行。
典型問題：預測美國人的收入階層。
利用該數據集，你能搭建一個推薦引擎。同時，該數據集也是數據科學行業的老兵之一，它可運用在許多領域。它數據相當龐大，共有 4000 部電影和 6000 多位用戶發出的超過 100 萬個評分。
典型問題：為用戶推薦新電影。
該數據集能讓你學習、分析并認識圖片中的各種元素，它就是相機中圖片和面部識別的技術基礎。該數據技術與數字識別問題，共有 28x28 大小的圖片 7 千張，大小為 31MB。
典型問題：在圖片中定義數字。
該數據集誕生于著名的 Yelp 數據集挑戰賽第 8 輪。它由 20 萬張圖片組稱，3 個 json 文檔的大小都達到了 2 GB。這些圖片包含了 4 個不同國家 10 大城市本地企業的信息，你需要通過文化、季節、數據挖掘、社交圖挖掘和類別推斷等方式來洞察復雜的數據。
典型問題：從圖片中找亮點。
ImageNet數據集可以運用在多種問題中，包括目標檢測、定位、分類和屏幕解析。眼下，其圖片引擎中共有 1419 萬多張圖片，容量達到了 140GB ，你可以任選圖片并圍繞其打造自己的項目。
典型問題：問題的解決要圍繞下載的圖片展開。
說到數據集，KDD Cup 這一大名可不能不提，它是世界上首個國際知識發現和數據挖掘競賽。KDD 1999 數據集屬于分類問題，它共包含 48 列和 400 萬行，文檔體積約為 1.2GB 。
典型問題：判斷網絡入侵探測器是否完成了任務。
如今，能否 Hold 住大型的數據集已經是檢驗數據專家是否合格的試金石了。許多數據分析公司不再依靠簡單的模型，它們開始使用完整的數據。通過該數據集，你能掌握大量在自己電腦上分析大型數據集的經驗。想解決這一問題不難，但學會數據管理并不容易。芝加哥犯罪數據集中共有 600 萬個觀察值，屬于典型的多標記分類問題。
典型問題：預測犯罪的類型。
via Analytics Vidhya
推薦閱讀：
神經網絡初學者指南：基于Scikit-Learn的Python模塊
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
