【开源】23个优秀的机器学习数据集

点击上方“小白学视觉”,选择加"星标"或“置顶

重磅干货,第一时间送达19fbf367964e83f94a2083f4f97dd42a.png

作者 | Nikola M. Zivkovic 译者 | 王强 策划 | 凌敏

本文最初发布于 rubikscode.com 网站,经原作者授权由 InfoQ 中文站翻译并分享。

Iris 数据集的那些示例你是不是已经用腻了呢?不要误会我的意思,Iris 数据集作为入门用途来说是很不错的,但其实网络上还有很多有趣的公共数据集可以用来练习机器学习和深度学习。在这篇文章中,我会分享 23 个优秀的公共数据集,除了介绍数据集和数据示例外,我还会介绍这些数据集各自可以解决哪些问题。

以下是这 23 个公共数据集:

  1. 帕尔默企鹅数据集

  2. 共享单车需求数据集

  3. 葡萄酒分类数据集

  4. 波士顿住房数据集

  5. 电离层数据集

  6. Fashion MNIST 数据集

  7. 猫与狗数据集

  8. 威斯康星州乳腺癌(诊断)数据集

  9. Twitter 情绪分析和 Sentiment140 数据集

  10. BBC 新闻数据集

  11. 垃圾短信分类器数据集

  12. CelebA 数据集

  13. YouTube-8M 数据集

  14. 亚马逊评论数据集

  15. 纸币验证数据集

  16. LabelMe 数据集

  17. 声纳数据集

  18. 皮马印第安人糖尿病数据集

  19. 小麦种子数据集

  20. Jeopardy! 数据集

  21. 鲍鱼数据集

  22. 假新闻检测数据集

  23. ImageNet 数据集

1. 帕尔默企鹅数据集

这是迄今为止我最喜欢的数据集。我在最近写的书里的大多数示例都来自于它。简单来说,如果你在 Iris 数据集上做实验做腻了就可以尝试一下这一个。它由 Kristen Gorman 博士和南极洲 LTER 的帕尔默科考站共同创建。该数据集本质上是由两个数据集组成的,每个数据集包含 344 只企鹅的数据。

9dac14d9deaee4d9b365cbc834ef21c5.png

就像 Iris 一样,这个数据集里有来自帕尔默群岛 3 个岛屿的 3 种不同种类的企鹅,分别是 Adelie、Chinstrap 和 Gentoo。或许“Gentoo”听起来很耳熟,那是因为 Gentoo Linux 就是以它命名的!此外,这些数据集包含每个物种的 culmen 维度。这里 culmen 是鸟喙的上脊。在简化的企鹅数据中,culmen 长度和深度被重命名为变量 culmen_length_mm 和 culmen_depth_mm。

1.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\penguins_size.csv")
data.head()

0e367c4fa6076d1758c2ef10abb0b335.png

我们使用 Pandas 库来做数据可视化,并且加载的是一个更简单的数据集。

1.2 这个公共数据集适合解决什么问题?

它是练习解决分类和聚类问题的好帮手。在这里,你可以尝试各种分类算法,如决策树、随机森林、SVM,或把它用于聚类问题并练习使用无监督学习。

1.3 有用的链接

在以下链接中可以获得有关 PalmerPenguins 数据集的更多信息:

  • 介绍 (https://allisonhorst.github.io/palmerpenguins/articles/intro.html)

  • GitHub(https://github.com/allisonhorst/palmerpenguins)

  • Kaggle(https://www.kaggle.com/parulpandey/palmer-archipelago-antarctica-penguin-data)

2. 共享单车需求数据集

这个数据集非常有趣。它对于初学者来说有点复杂,但也正因如此,它很适合拿来做练习。它包含了华盛顿特区“首都自行车共享计划”中自行车租赁需求的数据,自行车共享和租赁系统通常是很好的信息来源。这个数据集包含了有关骑行持续时间、出发地点、到达地点和经过时间的信息,还包含了每一天每小时的天气信息。

27500ec8375aa01d32bb84e97cb8face.png

2.1 数据集样本

我们加载数据,看看它是什么样的。首先,我们使用数据集的每小时数据来执行操作:

data = pd.read_csv(f".\\Datasets\\hour.csv")
data.head()

11252325ca279a9df36c7390afc0d958.png

每日数据是下面的样子:

data = pd.read_csv(f".\\Datasets\\day.csv")
data.head()

a40b0643b10f5b0898ed45ae3c836926.png

2.2 这个公共数据集适合解决什么问题?

由于该数据集包含的信息种类繁多,因此非常适合练习解决回归问题。你可以尝试对其使用多元线性回归,或使用神经网络。

2.3 有用的链接

在以下链接中可以获得关于该数据集的更多信息:

  • UCI(https://archive.ics.uci.edu/ml/datasets/bike+sharing+dataset)

  • Kaggle(https://www.kaggle.com/c/bike-sharing-demand)

3. 葡萄酒分类数据集

这是一个经典之作。如果你喜欢葡萄树或计划成为索马里人,肯定会更中意它的。该数据集由两个数据集组成。两者都包含来自葡萄牙 Vinho Verde 地区的葡萄酒的化学指标,一种用于红葡萄酒,另一种用于白葡萄酒。由于隐私限制,数据集里没有关于葡萄种类、葡萄酒品牌、葡萄酒售价的数据,但有关于葡萄酒质量的信息。

f6c32ebc0e9770b7bd82efcbfa321f62.png

3.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\winequality-white.csv")
data.head()

f52916072b09ec481607c9d36507cf29.png

3.2 这个公共数据集适合解决什么问题?

这是一个多类分类问题,但也可以被定义为回归问题。它的分类数据是不均衡的(例如,正常葡萄酒的数量比优质或差的葡萄酒多得多),很适合针对不均衡数据集的分类练习。除此之外,数据集中所有特征并不都是相关的,因此也可以拿来练习特征工程和特征选择。

3.3 有用的链接

以下链接中可以找到关于这个数据集的更多信息:

  • 介绍 (https://www.vinhoverde.pt/en/about-vinho-verde)

  • UCI(https://archive.ics.uci.edu/ml/datasets/Wine+Quality)

4. 波士顿住房数据集

虽然我说过会尽量不推荐其他人都推荐的那种数据集,但这个数据集实在太经典了。许多教程、示例和书籍都使用过它。这个数据集由 14 个特征组成,包含美国人口普查局收集的关于马萨诸塞州波士顿地区住房的信息。这是一个只有 506 个样本的小数据集。

4.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\boston_housing.csv")
data.head()

8a998a8f167af318b2e8be682e2b95cc.png

4.2 这个公共数据集适合解决什么问题?

该数据集非常适合练习回归任务。请注意,因为这是一个小数据集,你可能会得到乐观的结果。

4.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • 介绍 (https://www.cs.toronto.edu/\~delve/data/boston/bostonDetail.html)

  • Kaggle(https://www.kaggle.com/c/boston-housing)

5. 电离层数据集

这也是一个经典数据集。它实际上起源于 1989 年,但它确实很有趣。该数据集包含由拉布拉多鹅湾的雷达系统收集的数据。该系统由 16 个高频天线的相控阵列组成,旨在检测电离层中的自由电子。一般来说,电离层有两种类型的结构:“好”和“坏”。这些雷达会检测这些结构并传递信号。数据集中有 34 个自变量和 1 个因变量,总共有 351 个观测值。

5.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\ionsphere.csv")
data.head()

7171013912602a26f156f8d5cc4378e7.png

5.2 这个公共数据集适合解决什么问题?

这显然是一个二元(2 类)分类问题。有趣的是,这是一个不均衡的数据集,所以你也可以用它做这种练习。在这个数据集上实现高精度也非易事,基线性能在 64% 左右,而最高精度在 94% 左右。

5.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • UCI(https://archive.ics.uci.edu/ml/datasets/Ionosphere)

6.Fashion MNIST 数据集

MNIST 数据集是用于练习图像分类和图像识别的著名数据集,然而它有点被滥用了。如果你想要一个简单的数据集来练习图像分类,你可以试试 Fashion MNIST。它曾被《机器学习终极指南》拿来做图像分类示例。

本质上,这个数据集是 MNIST 数据集的变体,它与 MNIST 数据集具有相同的结构,也就是说它有一个 60,000 个样本的训练集和一个 10,000 个服装图像的测试集。所有图像都经过尺寸归一化和居中。图像的大小也固定为 28×28,这样预处理的图像数据被减到了最小水平。它也可作为某些框架(如 TensorFlow 或 PyTorch)的一部分使用。

6.1 数据集样本

我们加载数据,看看它是什么样的:

a9ba04884125e52361981b4d4d525b05.png

6.2 这个公共数据集适合解决什么问题?

它最适合图像分类和图像生成任务。你可以使用简单的卷积神经网络(CNN)来做尝试,或者使用生成对抗网络(GAN)使用它来生成图像。

6.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • GitHub(https://github.com/zalandoresearch/fashion-mnist)

  • Kaggle(https://www.kaggle.com/zalando-research/fashionmnist)

7. 猫与狗数据集

这是一个包含猫狗图像的数据集。这个数据集包含 23,262 张猫和狗的图像,用于二值图像分类。在主文件夹中,你会找到两个文件夹 train1 和 test。

train1 文件夹包含训练图像,而 test 文件夹包含测试图像。请注意,图像名称以 cat 或 dog 开头。这些名称本质上是我们的标签,这意味着我们将使用这些名称定义目标。

7.1 数据集样本

我们加载数据,看看它是什么样的:

93bc63fd510c61af90117ec21715a1d8.png

7.2 这个公共数据集适合解决什么问题?

这个数据集有两重目标。首先,它可用于练习图像分类以及对象检测。其次,你可以在这里面找到无穷无尽的可爱图片。

7.3 有用的链接

以下链接中可以找到关于这个数据集的更多信息:

  • 介绍 (https://www.microsoft.com/en-us/download/details.aspx?id=54765)

  • Kaggle(https://www.kaggle.com/c/dogs-vs-cats)

8. 威斯康星州乳腺癌(诊断)数据集

机器学习和深度学习技术在医疗保健领域中的应用正在稳步增长。如果你想练习并了解使用此类数据的效果,这个数据集是一个不错的选择。在该数据集中,数据是通过处理乳房肿块的细针穿刺(FNA)的数字化图像提取出来的。该数据集中的每个特征都描述了上述数字化图像中发现的细胞核的特征。

该数据集由 569 个样本组成,其中包括 357 个良性样本和 212 个恶性样本。这个数据集中有三类特征,其中实值特征最有趣。它们是从数字化图像中计算出来的,包含有关区域、细胞半径、纹理等信息。

8.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\breast-cancer-wisconsin.csv")
data.head()

920738dd31a4cdd8d155f3635d697331.png

8.2 这个公共数据集适合解决什么问题?

这个医疗保健数据集适合练习分类和随机森林、SVM 等算法。

8.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • Kaggle(https://www.kaggle.com/uciml/breast-cancer-wisconsin-data)

  • UCI(https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)

9.Twitter 情绪分析和

Sentiment140 数据集

在过去几年中,情绪分析成为了一种监控和了解客户反馈的重要工具。这种对消息和响应所携带的潜在情绪基调的检测过程是完全自动化的,这意味着企业可以更好更快地了解客户的需求并提供更好的产品和服务。

这一过程是通过应用各种 NLP(自然语言处理)技术来完成的。这些数据集可以帮助你练习此类技术,实际上非常适合该领域的初学者。Sentiment140 包含了使用 Twitter API 提取的 1,600,000 条推文。它们的结构略有不同。

9.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\training.1600000.processed.noemoticon.csv")
data.head()

290452675c9227a11bdb2349860e3227.png

9.2 这个公共数据集适合解决什么问题?

如前所述,这是一个用于情绪分析的数据集。情绪分析是最常见的文本分类工具。该过程会分析文本片段以确定其中包含的情绪是积极的、消极的还是中性的。了解品牌和产品引发的社会情绪是现代企业必不可少的工具之一。

9.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • Kaggle(https://www.kaggle.com/c/twitter-sentiment-analysis2)

  • Kaggle(https://www.kaggle.com/kazanova/sentiment140)

10.BBC 新闻数据集

我们再来看这个类别中另一个有趣的文本数据集。该数据集来自 BBC 新闻。它由 2225 篇文章组成,每篇文章都有标签。所有文章分成 5 个类别:科技、商业、政治、娱乐和体育。这个数据集没有失衡,每个类别中的文章数量都是差不多的。

10.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\BBC News Train.csv")
data.head()

7dbaaee8a88c8c713716017cf4265e3d.png

10.2 这个公共数据集适合解决什么问题?

自然,这个数据集最适合用于文本分类练习。你也可以更进一步,练习分析每篇文章的情绪。总的来说,它适用于各种 NLP 任务和实践。

10.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • Kaggle(https://www.kaggle.com/c/learn-ai-bbc)

11. 垃圾短信分类器数据集

垃圾消息检测是互联网中最早投入实践的机器学习任务之一。这种任务也属于 NLP 和文本分类工作。所以,如果你想练习解决这类问题,Spam SMS 数据集是一个不错的选择。它在实践中用得非常多,非常适合初学者。

这个数据集最棒的一点是,它是从互联网的多个来源构建的。例如,它从 Grumbletext 网站上提取了 425 条垃圾短信,从新加坡国立大学的 NUS SMS Corpus(NSC)随机选择了 3,375 条短信,还有 450 条短信来自 Caroline Tag 的博士论文等。数据集本身由两列组成:标签(ham 或 spam)和原始文本。

11.1 数据集样本

我们加载数据,看看它是什么样的:

ham What you doing?how are you?
ham Ok lar... Joking wif u oni...
ham dun say so early hor... U c already then say...
ham MY NO. IN LUTON 0125698789 RING ME IF UR AROUND! H*
ham Siva is in hostel aha:-.
ham Cos i was out shopping wif darren jus now n i called him 2 ask wat present he wan lor. Then he started guessing who i was wif n he finally guessed darren lor.
spam FreeMsg: Txt: CALL to No: 86888 & claim your reward of 3 hours talk time to use from your phone now! ubscribe6GBP/ mnth inc 3hrs 16 stop?txtStop
spam Sunshine Quiz! Win a super Sony DVD recorder if you canname the capital of Australia? Text MQUIZ to 82277. B
spam URGENT! Your Mobile No 07808726822 was awarded a L2,000 Bonus Caller Prize on 02/09/03! This is our 2nd attempt to contact YOU! Call 0871-872-9758 BOX95QU

11.2 这个公共数据集适合解决什么问题?

顾名思义,该数据集最适合用于垃圾邮件检测和文本分类。它也经常用在工作面试中,所以大家最好练习一下。

11.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • UCI(https://archive.ics.uci.edu/ml/datasets/sms+spam+collection)

  • Kaggle(https://www.kaggle.com/uciml/sms-spam-collection-dataset)

12.CelebA 数据集

如果你想研究人脸检测解决方案、构建自己的人脸生成器或创建深度人脸伪造模型,那么这个数据集就是你的最佳选择。该数据集拥有超过 20 万张名人图像,每张图像有 40 个属性注释,为你的研究项目提供了一个很好的起点。此外,它还涵盖了主要的姿势和背景类别。

12.1 数据集样本

我们加载数据,看看它是什么样的:

068af1259f88b87fcd0baa77596c2624.png

12.2 这个公共数据集适合解决什么问题?

我们可以用这个数据集解决多种问题。比如,我们可以解决各种人脸识别和计算机视觉问题,它可用来使用不同的生成算法生成图像。此外,你可以使用它来开发新颖的深度人脸伪造模型或深度伪造检测模型。

12.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • 介绍 (http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html)

13.YouTube-8M 数据集

这是最大的多标签视频分类数据集。它来自谷歌,拥有 800 万个带有注释和 ID 的 YouTube 分类视频。这些视频的注释由 YouTube 视频注释系统使用 48000 个视觉实体的词汇表创建。该词汇表也可供下载。

请注意,此数据集可用作 TensorFlow 记录文件。除此之外,你还可以使用这个数据集的扩展——YouTube-8M Segments 数据集。它包含了人工验证的分段注释。

13.1 数据集样本

你可以使用以下命令下载它们:

mkdir -p ~/yt8m/2/frame/train
cd ~/yt8m/2/frame/train
curl data.yt8m.org/download.py | partition=2/frame/train mirror=us python

13.2 这个公共数据集适合解决什么问题?

你可以使用这个数据集执行多种操作。比如可以使用它跟进谷歌的竞赛,并开发准确分配视频级标签的分类算法。你还可以用它来创建视频分类模型,也可以用它练习所谓的时间概念定位,也就是找到并分享特定的视频瞬间。

13.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • 介绍 (https://arxiv.org/abs/1609.08675)

  • 下载 (http://research.google.com/youtube8m/)

14. 亚马逊评论数据集

情绪分析是最常见的文本分类工具。这个过程会分析文本片段以确定情绪倾向是积极的、消极的还是中性的。在监控在线会话时了解你的品牌、产品或服务引发的社会情绪是现代商业活动的基本工具之一,而情绪分析是实现这一目标的第一步。该数据集包含了来自亚马逊的产品评论和元数据,包括 1996 年 5 月至 2018 年 10 月的 2.331 亿条评论。

14.1 这个公共数据集适合解决什么问题?

这个数据集可以为任何产品创建情绪分析的入门模型,你可以使用它来快速创建可用于生产的模型。

14.2 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • 介绍和下载 (https://jmcauley.ucsd.edu/data/amazon/)

15. 纸币验证数据集

这是一个有趣的数据集。你可以使用它来创建可以检测真钞和伪造钞票的解决方案。该数据集包含了从数字化图像中提取的许多指标。数据集的图像是使用通常用于印刷检查的工业相机创建的,图像尺寸为 400x400 像素。这是一个干净的数据集,包含 1372 个示例且没有缺失值。

15.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\data_banknote_authentication.csv")
data.head()

2574543fc1146f6851aac6a8ce68d7b5.png

15.2 这个公共数据集适合解决什么问题?

它是练习二元分类和应用各种算法的绝佳数据集。此外,你可以修改它并将其用于聚类,并提出将通过无监督学习对这些数据进行聚类的算法。

15.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • UCI(https://archive.ics.uci.edu/ml/datasets/banknote+authentication#)

  • Kaggle(https://www.kaggle.com/ritesaluja/bank-note-authentication-uci-data)

16.LabelMe 数据集

LabelMe 是另一个计算机视觉数据集。LabelMe 是一个带有真实标签的大型图像数据库,用于物体检测和识别。它的注释来自两个不同的来源,其中就有 LabelMe 在线注释工具。

简而言之,有两种方法可以利用这个数据集。你可以通过 LabelMe Matlab 工具箱下载所有图像,也可以通过 LabelMe Matlab 工具箱在线使用图像。

16.1 数据集样本

标记好的数据如下所示:

a36c8601d0d0beaa46d76e107844a15c.png

16.2 这个公共数据集适合解决什么问题?

它是用于对象检测和对象识别解决方案的绝佳数据集。

16.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • 介绍和下载 (http://labelme.csail.mit.edu/Release3.0/index.php)

17. 声纳数据集

如果你对地质学感兴趣,会发现这个数据集非常有趣。它是利用声纳信号制成的,由两部分组成。第一部分名为“sonar.mines”,包含 111 个模式,这些模式是使用在不同角度和不同条件下从金属圆柱体反射的声纳信号制成的。

第二部分名为“sonar.rocks”,由 97 个模式组成,同样是通过反射声纳信号制成,但这次反射的是岩石上的信号。它是一个不均衡数据集,包含 208 个示例、60 个输入特征和一个输出特征。

17.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\sonar.csv")
data.head()

f013dc3093f90d5399da058204cd67d7.png

17.2 这个公共数据集适合解决什么问题?

该数据集非常适合练习二元分类。它的制作目标是检测输入是地雷还是岩石,这是一个有趣的问题,因为最高的输出结果达到了 88% 的准确率。

17.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • 介绍 (https://www.is.umk.pl/projects/datasets.html#Sonar)

  • UCI(https://archive.ics.uci.edu/ml/datasets/Connectionist+Bench+(Sonar,+Mines+vs.+Rocks))

18. 皮马印第安人糖尿病数据集

这是另一个用于分类练习的医疗保健数据集。它来自美国国家糖尿病、消化和肾脏疾病研究所,其目的是根据某些诊断指标来预测患者是否患有糖尿病。

该数据集包含 768 个观测值,具有 8 个输入特征和 1 个输出特征。它不是一个均衡的数据集,并且假设缺失值被替换为 0。

18.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\pima-indians-dataset.csv")
data.head()

256915f71ed443406fd06e1823967d39.png

18.2 这个公共数据集适合解决什么问题?

它是另一个适合练习二元分类的数据集。

18.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • 介绍 (https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.names)

  • Kaggle(https://www.kaggle.com/uciml/pima-indians-diabetes-database)

19. 小麦种子数据集

这个数据集非常有趣和简单。它特别适合初学者,可以代替 Iris 数据集。该数据集包含属于三种不同小麦品种的种子信息:Kama、Rosa 和 Canadian。它是一个均衡的数据集,每个类别有 70 个实例。种子内部内核结构的测量值是使用软 X 射线技术检测的。

19.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\seeds_dataset.csv")
data.head()

59fb1c5e2113a598deaf39dff4c65f16.png

19.2 这个公共数据集适合解决什么问题?

这个数据集有利于提升分类技能。

19.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • UCI(https://archive.ics.uci.edu/ml/datasets/seeds)

  • Kaggle(https://www.kaggle.com/jmcaro/wheat-seedsuci)

20.Jeopardy! 问题数据集

这个数据集很不错,包含 216,930 个 Jeopardy 问题、答案和其他数据。它是可用于你 NLP 项目的绝佳数据集。除了问题和答案,该数据集还包含有关问题类别和价值的信息。

20.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\joepardy.csv")
data.head()

e93af8267d75f301c2de3fe406bfbca7.png

20.2 这个公共数据集适合解决什么问题?

这是一个丰富的数据集,可用于多种用途。你可以运行分类算法并预测问题的类别或问题的价值。不过你可以用它做的最酷的事情可能是用它来训练 BERT 模型。

20.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • Kaggle(https://www.kaggle.com/tunguz/200000-jeopardy-questions)

21. 鲍鱼数据集

从本质上讲这是一个多分类问题,然而,这个数据集也可以被视为一个回归问题。它的目标是使用提供的指标来预测鲍鱼的年龄。这个数据集不均衡,4,177 个实例有 8 个输入变量和 1 个输出变量。

21.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\abalone.csv")
data.head()

85c8b8edae07067c6d962529da06b3fa.png

21.2 这个公共数据集适合解决什么问题?

该数据集可以同时构建为回归和分类任务。这是一个很好的机会,可以使用多元线性回归、SVM、随机森林等算法,或者构建一个可以解决这个问题的神经网络。

21.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • UCI(https://archive.ics.uci.edu/ml/datasets/abalone)

  • Kaggle(https://www.kaggle.com/rodolfomendes/abalone-dataset)

22. 假新闻数据集

我们生活在一个狂野的时代。假新闻、深度造假和其他类型的欺骗技术都成了我们日常生活的一部分,无论我们喜欢与否。这个数据集提供了另一个非常适合练习的 NLP 任务。它包含标记过的真实和虚假新闻,以及它们的文本和作者。

22.1 数据集样本

我们加载数据,看看它是什么样的:

data = pd.read_csv(f".\\Datasets\\fake_news\\train.csv")
data.head()

a2464cc9d7bd33d1f4623528d21be305.png

22.2 这个公共数据集适合解决什么问题?

这是另一个 NLP 文本分类任务。

22.3 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • Kaggle(https://www.kaggle.com/c/fake-news/overview)

23.ImageNet 数据集

最后这个数据集是计算机视觉数据集中的王者——ImageNet。该数据集是用来衡量所有新的深度学习和计算机视觉技术创新的基准。没有它,深度学习的世界就不会变成今天这样的状态。ImageNet 是一个按照 WordNet 层次结构组织的大型图像数据库。这意味着每个实体都用一组称为 -synset 的词和短语来描述。每个同义词集分配了大约 1000 个图像。基本上,层次结构的每个节点都由成百上千的图像描述。

49ea46b01e5717c1ac0bab64bc3b02bf.png

23.1 这个公共数据集适合解决什么问题?

它是学术和研究界的标准数据集。它的主要任务是图像分类,但你也可以将其用于各种任务。

23.2 有用的链接

从以下链接中可以找到关于这个数据集的更多信息:

  • 官方网站 (https://image-net.org/)

在本文中,我们探索了 23 个非常适合机器学习应用实践的数据集。感谢你的阅读!

原文链接:

https://rubikscode.net/2021/07/19/top-23-best-public-datasets-for-practicing-machine-learning

下载1:OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复:扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2:Python视觉实战项目52讲

在「小白学视觉」公众号后台回复:Python视觉实战项目即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。

下载3:OpenCV实战项目20讲

在「小白学视觉」公众号后台回复:OpenCV实战项目20讲即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~

43d586f710662e4f6068a787810499e3.png

b7426e02e5ca81d4abf5ae35152b4d2b.png

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/26316.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

数据分析也能造假!你得小心这些不为人知的坑

数据分析看似科学理性,但是只要是人参与的工作,就没有不能造假的,尤其是类似数据分析这种工作,很容易产生诡辩论,我们需要实时擦亮眼睛! 作为一个小头目,经常会读到来自各种团队的数据分析报告&…

【数据挖掘实战】——中医证型的关联规则挖掘(Apriori算法)

🤵‍♂️ 个人主页:Lingxw_w的个人主页 ✍🏻作者简介:计算机科学与技术研究生在读 🐋 希望大家多多支持,我们一起进步!😄 如果文章对你有帮助的话, 欢迎评论 &#x1f4a…

数据挖掘--(实验二)关联规则实验

实验一 有趣的频繁项集 案例简介: 有时我们并不想寻找所有频繁项集,而只对包含某个特定元素项 的项集感兴趣。我们会寻找毒蘑菇中的一些公共特征,利用这些特征 就能避免吃到那些有毒的蘑菇。UCI 的机器学习数据集合中有一个关于肋形蘑菇的 23 种特征的数据集,每一…

数据挖掘--糖尿病遗传风险检测

文章目录 赛事背景数据特征介绍数据处理导入数据并查看分析数据数据清洗特征工程 构建模型建立训练数据集和测试数据集构建模型 赛事背景 截至2022年,中国糖尿病患者近1.3亿。中国糖尿病患病原因受生活方式、老龄化、城市化、家族遗传等多种因素影响。同时&#xff…

【数据分析】业务分析之ABtest

A/B测试 AB测试是为Web或App界面或流程制作两个(A/B)或多个(A/B/n)版本,在同一时间维度,分别让组成成分相同(相似)的访客群组(目标人群)随机的访问这些版本&a…

生物信息学竞赛:糖尿病数据挖掘

糖尿病数据挖掘 一理:机器学习量化分析糖尿病致病因子下载:临床数据线性回归预测糖尿病LightGBM 预测糖尿病糖尿病因子分析变量相关性分析 一文:当前科学理解慢病之王的解决方案是什么怎么治疗怎么预防 一理:机器学习量化分析糖尿…

VS Code插件之Debugger for Chrome

号称2018最火的编辑器,不用用怎么行? 不多说直接开始踩坑之路。 要在vs中启动chrome控制台怎么办?vscode并没有集成环境,这里我们需要借助一个插件Debugger for Chrome。 选择左边安装包选项,点击商店搜索Debugger for…

Vscode对C/C++可视化的代码跟踪调试

文章目录 可视化的代码跟踪调试1、安装Visual Studio Code2、用vscode编译调试C\C 总结 可视化的代码跟踪调试 ubantu18.04的环境下,在命令行工具gdb调试基础上,利用可视化调试前端软件Visual Studio Code,(后端依然依赖gcc、gdb…

VS Code真机测试步骤

VS Code真机测试步骤 前提:你的电脑跟你的手机是在同一个网络环境下。电脑连手机热点; 1. 在扩展里搜索live server,下载安装; 2. 打开cmd 命令窗口(快捷键是winr); 输入…

VS Code调试C代码

1、前言 首先说明的是vscode是代码编辑器,并不是编译器,它本身并不能编译C语言。 在这里我们使用的是MinGW-w64作为C语言的编译器。MinGW-w64的前身是MinGW的全称是:Minimalist GNU on Windows。它实际上是将经典的开源 C语言 编译器 GCC 移…

VScode的代码截图插件CodeSnap

CodeSnap : 在 VS Code 中为您的代码截取漂亮的屏幕截图! 插件名:CodeSnap官方地址:CodeSnap - Visual Studio Marketplace特征: 快速保存代码的屏幕截图将屏幕截图复制到剪贴板显示行号许多其他配置选项用法:选中需要…

Vscode——调试数据可视化插件debug-visualizer

debug-visualizer是一款极其优秀的调试数据可视化插件 安装方法 第一步:vscode插件库安装 debug-visualizer第二步:环境内输入 pip install vscodedebugvisualizer 使用方法 启动调试Ctrl Shift P 打开命令面板,输入 Debug Visualizer: …

VS Code 最好的 Git 可视化插件

👇👇关注后回复 “进群” ,拉你进程序员交流群👇👇 作者丨小集 来源丨小集(ID:zsxjtip) Visual Studio Code 有几组 git 命令来为您的代码存储库执行和执行多项任务。但是&#xff0…

如何使用VScode软件测试接口

我们知道,Visual Studio Code(简称VScode)软件一般用于编写前端代码,但其实,它也可以很方便的用于接口测试,达到和postMan一样的效果。 怎么实现呢? 步骤如下: 1.安装 REST Clien…

视频特效软件有哪些?这些软件值得一试

大家平常在制作视频时,经常需要将多个视频拼接,但是如果两个视频中间没有什么转场过渡的话,会显得很单调。我们可以增加一些转场、音乐、特效,这样整支视频看起来效果会好很多。讲到视频特效,可能有些小伙伴会觉得它很…

python :超级大乐透

体育彩票 超级大乐透 dlt.py # codingutf-8 import randomdef xuanhao(total, count):element [x1 for x in range(total)]result []for i in range(count):res element[random.randint(0, len(element)-1)]element.remove(res)result.append(res)return result# 超级大乐透…

发卡网源码

简介:发卡网带代理功能,安装简单。 网盘地址:https://pan.baidu.com/s/1E3AtqCmBZPjXgaiUEXrM6Q 提取码:rsu4 展示:

最新鲸发卡企业发卡网系统源码+免授权

正文: 心心念念的鲸发卡来啦,企业发卡源码,鲸发卡。目前全网最稳定的发卡系统之一。 在运营版本,既然做就要把他当作一项事业来做。 程序开源无加密,完整运营级程序,非市面上垃圾程序BUG一堆。 此程序经过市场验证…

功能强大的发卡网源码+支付接口超多

正文: 有二十三个支付接口,三套前台模板。 由于还得更新其他源码,就填充了一个商品,UI看起来不错,脑补了下, 填充完商品后,应该会更好看。 程序: wwbwf.lanzouf.com/iigbh09ygu6b 图片:

【.NET AI Books 前言】Azure OpenAI Service 入门

本书是为 .NET 开发者而写的,让 .NET 开发者能快速掌握 Azure OpenAI Service 的使用技巧。 ChatGPT 的到来意味着我们已经置身于 AI 引起的全新变革中,作为开发者你可能将面临几种改变: GPT 模型到来后,如何去架构好企业解决方案…