學(xué)好機器學(xué)習(xí)的關(guān)鍵是用許多不同的數(shù)據(jù)集來練習(xí)。因為對不同的問題，需要有不同的數(shù)據(jù)準(zhǔn)備和建模方法。本文介紹了10個更受歡迎的標(biāo)準(zhǔn)機器學(xué)習(xí)數(shù)據(jù)集，可以用作練習(xí)的資源。

每個數(shù)據(jù)集均按照一定的格式介紹，以使讀者相對容易比較，為他們的特定練習(xí)任務(wù)選擇數(shù)據(jù)集或建模方法。

格式：
名稱：如何引用數(shù)據(jù)集 問題類型：是回歸問題還是分類問題 輸入和輸出：輸入和輸出特征的數(shù)量和名稱 性能：使用零規(guī)則算法（Zero Rule Algorithm）的基準(zhǔn)性能比較，以及已知的較佳性能 示例：原始數(shù)據(jù)前5行的快照 鏈接：下載數(shù)據(jù)集及了解更多的鏈接
標(biāo)準(zhǔn)數(shù)據(jù)集 下面是本文將介紹的 10 個數(shù)據(jù)集的列表。每個數(shù)據(jù)集都不大，能夠適應(yīng)內(nèi)存或使用電子表格查看。所有數(shù)據(jù)集都由表格數(shù)據(jù)組成，并且沒有（顯式的）缺失值。
瑞典汽車保險數(shù)據(jù)集 葡萄酒質(zhì)量數(shù)據(jù)集 比馬印第安人糖尿病數(shù)據(jù)集 聲納數(shù)據(jù)集 鈔票數(shù)據(jù)集 鳶尾花卉數(shù)據(jù)集 鮑魚數(shù)據(jù)集 電離層數(shù)據(jù)集 小麥種子數(shù)據(jù)集 波士頓房價數(shù)據(jù)集

1.

瑞典汽車保險數(shù)據(jù)集 瑞典汽車保險數(shù)據(jù)集（ Swedish Auto Insurance Dataset）包含了對所有索賠要求的總賠付預(yù)測，以千瑞典克朗計，給定的條件是索賠要求總數(shù)。
這是一個回歸問題。它由 63 個觀察值組成，包括1個輸入變量和1個輸出變量。變量名分別是：
索賠要求數(shù)量 對所有索賠的總賠付，以千瑞典克朗計
預(yù)測平均值的基準(zhǔn)性能的均方根誤差（RMSE）約為 72.251 千克朗。
前5行的示例如下：

下面是整個數(shù)據(jù)集的散點圖：

下載地址：http://t.cn/RfHWAbI

2.

葡萄酒質(zhì)量數(shù)據(jù)集
葡萄酒質(zhì)量數(shù)據(jù)集（Wine Quality Dataset ）涉及根據(jù)每種葡萄酒的化學(xué)度量值來預(yù)測白葡萄酒的質(zhì)量。
它是一個多類分類問題，但也可以定義為回歸問題。每個類的觀察值數(shù)量不均等。一共有 4898個觀察值，11個輸入變量和一個輸出變量。變量名如下：
非揮發(fā)性酸度 揮發(fā)性酸度 檸檬酸 殘留糖 氯化物 游離二氧化硫 總二氧化硫 濃度 pH值 硫酸鹽 酒精度 質(zhì)量（得分在 0 和 10 之間）
預(yù)測平均值的基準(zhǔn)性能的均方根誤差（RMSE）為 0.148 的質(zhì)量分?jǐn)?shù)。
數(shù)據(jù)集前5行的示例如下：

3. 比馬印第安人糖尿病數(shù)據(jù)集 比馬印第安人糖尿病數(shù)據(jù)集（Pima Indians Diabetes Dataset）涉及根據(jù)醫(yī)療記錄預(yù)測比馬印第安人5年內(nèi)糖尿病的發(fā)病情況。
它是一個二元分類問題。每個類的觀察值數(shù)量不均等。一共有 768 個觀察值，8個輸入變量和1個輸出變量。缺失值通常用零值編碼。變量名如下：
4. 懷孕次數(shù) 口服葡萄糖耐受試驗中，2小時的血漿葡萄糖濃度。 舒張壓（mm Hg） 三頭肌皮膚褶層厚度（mm） 2小時血清胰島素含量（μU/ ml） 體重指數(shù)（體重，kg /（身高，m）^ 2） 糖尿病家族史 年齡（歲） 類變量（0 或 1）
預(yù)測最普遍類的基準(zhǔn)性能是約 65％ 的分類準(zhǔn)確率，較佳結(jié)果達到約 77% 的分類準(zhǔn)確率。 數(shù)據(jù)集前5行的示例如下：

下載地址：http://t.cn/RfaFfq8

5.

聲納數(shù)據(jù)集 聲納數(shù)據(jù)集（Sonar Dataset ）涉及預(yù)測根據(jù)給定聲納從不同角度返回的強度預(yù)測目標(biāo)物體是巖石還是礦井。
它是一個二元分類問題。每個類的觀察值數(shù)量不均等。一共有208個觀察值，60個輸入變量和1個輸出變量。變量名如下：
從不同角度返回的聲納 ... ... 類（M為礦井，R為巖石）
預(yù)測最普遍類的基準(zhǔn)性能是約 53％ 的分類準(zhǔn)確率，較佳結(jié)果達到約 88% 的分類準(zhǔn)確率。
該數(shù)據(jù)集前5行的示例如下：

下載地址：http://t.cn/Rf8GrP7

6.

鈔票數(shù)據(jù)集 鈔票數(shù)據(jù)集（Banknote Dataset）涉及根據(jù)給定鈔票的數(shù)個度量的照片預(yù)測是真鈔還是假鈔。
它是一個二元分類問題。每個類的觀測值數(shù)量不均等。一共有 1372 個觀察值，4個輸入變量和1個輸出變量。變量名如下：
小波變換圖像（連續(xù)） 小波偏斜變換圖像（連續(xù)） 小波峰度變換圖像（連續(xù)） 圖像熵（連續(xù)）。 類（0 為真鈔，1 為假鈔）
預(yù)測最普遍類的基準(zhǔn)性能是約 50％ 的分類準(zhǔn)確率。
該數(shù)據(jù)集前5行的示例如下：

下載地址：http://t.cn/Rf8GdQo

7.

鳶尾花卉數(shù)據(jù)集 鳶尾花卉數(shù)據(jù)集（Iris Flowers Dataset ）涉及根據(jù)鳶尾花的測量數(shù)據(jù)預(yù)測花卉品種。
它是一個多類分類問題。每個類的觀察值數(shù)量是均等的。一共有 150 個觀察值，4個輸入變量和1個輸出變量。變量名如下：
萼片長度（cm） 萼片寬度（cm） 花瓣長度（cm） 花瓣寬度（cm） 類（Iris Setosa，Iris Versicolour，Iris Virginica）
預(yù)測最普遍類的基準(zhǔn)性能是約 26％ 的分類準(zhǔn)確率。
該數(shù)據(jù)集前5行的示例如下：

下載地址：http://t.cn/Rf8GeUq

8.

鮑魚數(shù)據(jù)集 鮑魚數(shù)據(jù)集（Abalone Dataset）涉及根據(jù)鮑魚個體的測量數(shù)據(jù)來預(yù)測鮑魚的年齡（環(huán)的數(shù)量）。
它是一個多類分類（multi-class classification）問題，但也可以作為回歸問題。每個類的觀察值數(shù)量不均等。該數(shù)據(jù)集有 4177 個觀察值，8個輸入變量和1個輸出變量。 變量名如下：
性別（M，F，I） 長度 直徑 高度 總重量 剝殼重量 內(nèi)臟重量 殼重 環(huán)的數(shù)量
預(yù)測最普遍類的基準(zhǔn)性能是約 16％ 的分類準(zhǔn)確率，預(yù)測平均值的基準(zhǔn)性能的均方根誤差（RMSE）是約 3.2 個環(huán)。
該數(shù)據(jù)集前5行的示例如下：

下載地址：http://t.cn/Rf8GDdu

9.

電離層數(shù)據(jù)集 電離層數(shù)據(jù)集（Ionosphere Dataset）需要根據(jù)給定的電離層中的自由電子的雷達回波預(yù)測大氣結(jié)構(gòu)。
它是一個二元分類問題。每個類的觀察值數(shù)量不均等，一共有 351 個觀察值，34 個輸入變量和1個輸出變量。變量名如下：
1 17對雷達回波數(shù)據(jù)。 2 ... ... 3 類（g 表示好，b 表示壞）。
預(yù)測最普遍類的基準(zhǔn)性能是約 64％ 的分類準(zhǔn)確率，較佳結(jié)果達到約 94% 的分類準(zhǔn)確率。
該數(shù)據(jù)集前5行的示例如下：

下載地址：http://t.cn/Rf8GFY4

10.

小麥種子數(shù)據(jù)集 小麥種子數(shù)據(jù)集（Wheat Seeds Dataset）涉及對不同品種的小麥種子進行預(yù)測，給定的是種子的計量數(shù)據(jù)。
它是一個二元分類問題。每個類的觀察值是均等的，一共 210 個觀察值，7個輸入變量和1個輸出變量。變量名如下：
區(qū)域 周長 壓實度 籽粒長度 籽粒寬度 不對稱系數(shù) 籽粒腹溝長度 類（1，2，3）
預(yù)測最普遍類的基準(zhǔn)性能是約 28％ 的分類準(zhǔn)確率。
數(shù)據(jù)集前5行的示例如下：

下載地址：http://t.cn/RfHHbzw

11.

波士頓房價數(shù)據(jù)集 波士頓房價數(shù)據(jù)集（Boston House Price Dataset）包含對房價的預(yù)測，以千美元計，給定的條件是房屋及其相鄰房屋的詳細(xì)信息。
該數(shù)據(jù)集是一個回歸問題。每個類的觀察值數(shù)量是均等的，共有 506 個觀察，13 個輸入變量和1個輸出變量。變量名如下：
CRIM：城鎮(zhèn)人均犯罪率。 ZN：住宅用地超過 25000 sq.ft. 的比例。 INDUS：城鎮(zhèn)非零售商用土地的比例。 CHAS：查理斯河空變量（如果邊界是河流，則為1；否則為0）。 NOX：一氧化氮濃度。 RM：住宅平均房間數(shù)。 AGE：1940 年之前建成的自用房屋比例。 DIS：到波士頓五個中心區(qū)域的加權(quán)距離。 RAD：輻射性公路的接近指數(shù)。 TAX：每 10000 美元的全值財產(chǎn)稅率。 PTRATIO：城鎮(zhèn)師生比例。 B：1000（Bk-0.63）^ 2，其中 Bk 指代城鎮(zhèn)中黑人的比例。 LSTAT：人口中地位低下者的比例。 MEDV：自住房的平均房價，以千美元計。
預(yù)測平均值的基準(zhǔn)性能的均方根誤差（RMSE）是約 9.21 千美元。
數(shù)據(jù)集前5行的示例如下：

下載地址：http://t.cn/RfHTAgY

12.

時間序列數(shù)據(jù)集 機器學(xué)習(xí)可以在時間序列數(shù)據(jù)集上應(yīng)用。這些屬于需要預(yù)測數(shù)值或分類的問題，但數(shù)據(jù)是按時間排序的。下面介紹7個標(biāo)準(zhǔn)時間序列數(shù)據(jù)集，可用于使用機器學(xué)習(xí)進行時間序列預(yù)測的實踐。
12.1單變量時間序列數(shù)據(jù)集 只有一個變量的時間序列數(shù)據(jù)集稱為單變量數(shù)據(jù)集（univariate datasets），其優(yōu)點是：
簡單且容易理解； 支持Excel或其他繪圖工具； 易于預(yù)測結(jié)果和期望結(jié)果的比較； 易于嘗試你并評估新的方法。
以下是4個單變量時間序列數(shù)據(jù)集，均可從datamarket上下載。
12.1.1 洗發(fā)水銷售數(shù)據(jù)集（Shampoo Sales Dataset）

該數(shù)據(jù)集描述了3年期間的洗發(fā)水月銷售量，單位是銷售量，有36個觀察值。下面是該數(shù)據(jù)集前5行的示例，包括標(biāo)題行：

12.1.2
日較低溫度數(shù)據(jù)集（Minimum Daily Temperatures Dataset）

該數(shù)據(jù)集描述了澳大利亞墨爾本市10年間（1981-1990）的日較低溫度。單位是攝氏度，有3650個觀察值，數(shù)據(jù)來源為澳大利亞氣象局。
下面是該數(shù)據(jù)集前5行數(shù)據(jù)的示例：

12.1.3 每月太陽黑子數(shù)數(shù)據(jù)集（Monthly Sunspot Dataset）

該數(shù)據(jù)集描述了230年間（1749-1983）觀測到的每月太陽黑子數(shù)量。單位是太陽黑子數(shù)量，有2820個觀察值。數(shù)據(jù)集的來源為 Andrews＆Herzberg（1985）。
下面是前5行數(shù)據(jù)的示例：

12.1.4

每日女嬰出生人數(shù)數(shù)據(jù)集

該數(shù)據(jù)集描述了1959年加利福尼亞州每日出生的女嬰人數(shù)。單位是人數(shù)，有365個觀察值。數(shù)據(jù)集來源自 Newton（1988）。
下面是前5行的示例：

12.2 多變量時間序列數(shù)據(jù)集 多變量數(shù)據(jù)集（Multivariate datasets）通常更具挑戰(zhàn)性，多變量時間序列數(shù)據(jù)的主要來源是 UCI 機器學(xué)習(xí)庫（http://archive.ics.uci.edu/ml/），下文推薦的3個數(shù)據(jù)集均可下載。 12.2.1 EEG 人眼狀態(tài)數(shù)據(jù)集 該數(shù)據(jù)集描述個體的 EEG 數(shù)據(jù)，以及他們的眼睛是睜著還是閉著。這個問題是為了根據(jù)跟定的 EEG 數(shù)據(jù)預(yù)測眼睛的狀態(tài)。
這是一個分類預(yù)測模型問題，共有14980個觀察值和15個輸入變量。 分類值“1”表示眼睛閉著，“0”表示眼睛睜開著。 數(shù)據(jù)按時間排序，記錄觀察結(jié)果的時間是117秒。
下面是數(shù)據(jù)集前5行的示例：

12.2.2 使用檢測數(shù)據(jù)集（Occupancy Detection Dataset） 這個數(shù)據(jù)集描述有關(guān)房間特征的數(shù)據(jù)，目的是預(yù)測房間是否在使用中。數(shù)據(jù)集包含幾個星期期間，共10560個一分鐘的觀察，屬于分類預(yù)測問題。數(shù)據(jù)集包括7個特征值，例如房間的光線、氣溫、濕度等。
下面是前5行數(shù)據(jù)的示例，包括標(biāo)題行：

12.2.3 臭氧水平檢測數(shù)據(jù)集
這個數(shù)據(jù)集描述了6年期間的地面臭氧濃度數(shù)據(jù)，目的是預(yù)測是否“臭氧日”。數(shù)據(jù)集包含2,536個觀察值，73個特征。 這是分類預(yù)測問題，類別值為“1”表示這天是臭氧日，為“0”表示正常日。
下面是前5行的示例：

總結(jié) 本文介紹了 10 個更受歡迎的標(biāo)準(zhǔn)數(shù)據(jù)集，你可以用它們來進行機器學(xué)習(xí)的應(yīng)用練習(xí)。 可以采取以下步驟：
選擇一個數(shù)據(jù)集。 選擇你最喜歡的工具（例如 Weka，scikit-learn 或 R） 看看你的結(jié)果比基準(zhǔn)分?jǐn)?shù)高多少。

總結(jié)

以上是生活随笔為你收集整理的标准机器学习数据集的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。