最流行的4个机器学习数据集

转载自：http://www.jianshu.com/p/be23b3870d2e

机器学习算法需要作用于数据，而数据的本质则决定了应用的机器学习算法是否合适，而数据的质量也会决定算法表现的好坏程度。所以会研究数据，会分析数据很重要。本文作为学习研究数据系列博文的开篇，列举了4个最流行的机器学习数据集。

Iris

Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。

数据集特征:多变量记录数:150领域:生活属性特征:实数属性数目:4捐赠日期1988-07-01相关应用:分类缺失值?无网站点击数:563347

Adult

该数据从美国1994年人口普查数据库抽取而来，可以用来预测居民收入是否超过50K$/year。该数据集类变量为年收入是否超过50k$，属性变量包含年龄，工种，学历，职业，人种等重要信息，值得一提的是，14个属性变量中有7个类别型变量。

数据集特征:多变量记录数:48842领域:社会属性特征:类别型，整数属性数目:14捐赠日期1996-05-01相关应用:分类缺失值?有网站点击数:393977

Wine

这份数据集包含来自3种不同起源的葡萄酒的共178条记录。13个属性是葡萄酒的13种化学成分。通过化学分析可以来推断葡萄酒的起源。值得一提的是所有属性变量都是连续变量。

数据集特征:多变量记录数:178领域:物理属性特征:整数，实数属性数目:13捐赠日期1991-07-01相关应用:分类缺失值?无网站点击数:337319

Car Evaluation

这是一个关于汽车测评的数据集，类别变量为汽车的测评，（unacc，ACC，good，vgood）分别代表（不可接受，可接受，好，非常好），而6个属性变量分别为「买入价」，「维护费」，「车门数」，「可容纳人数」，「后备箱大小」，「安全性」。值得一提的是6个属性变量全部是有序类别变量，比如「可容纳人数」值可为「2，4，more」，「安全性」值可为「low, med, high」。

数据集特征:多变量记录数:1728领域:N/A属性特征:类别型属性数目:6捐赠日期1997-06-01相关应用:分类缺失值?无网站点击数:272901

小结

通过比较以上4个数据集的差异，简单地总结：当需要试验较大量的数据时，我们可以想到「Adult」；当想研究变量之间的相关性时，我们可以选择变量值只为整数或实数的「Iris」和「Wine」；当想研究logistic回归时，我们可以选择类变量值只有两种的「Adult」；当想研究类别变量转换时，我们可以选择属性变量为有序类别的「Car Evaluation」。更多的尝试还需要对这些数据集了解更多才行。

以上数据集下载地址：http://archive.ics.uci.edu/ml/

文／紫松（简书作者）
原文链接：http://www.jianshu.com/p/be23b3870d2e
著作权归作者所有，转载请联系作者获得授权，并标注“简书作者”。