23個優(yōu)秀的機(jī)器學(xué)習(xí)訓(xùn)練公開數(shù)據(jù)集

本文最初發(fā)布于 rubikscode.com 網(wǎng)站，經(jīng)原作者授權(quán)由 InfoQ 中文站翻譯并分享。

Iris 數(shù)據(jù)集的那些示例你是不是已經(jīng)用膩了呢？不要誤會我的意思，Iris 數(shù)據(jù)集作為入門用途來說是很不錯的，但其實網(wǎng)絡(luò)上還有很多有趣的公開數(shù)據(jù)集可以用來練習(xí)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。在這篇文章中，我會分享 23 個優(yōu)秀的公開數(shù)據(jù)集，除了介紹數(shù)據(jù)集和數(shù)據(jù)示例外，我還會介紹這些數(shù)據(jù)集各自可以解決哪些問題。

以下是這 23 個公共數(shù)據(jù)集：

1. 帕爾默企鵝數(shù)據(jù)集

2. 共享單車需求數(shù)據(jù)集

3. 葡萄酒分類數(shù)據(jù)集

4. 波士頓住房數(shù)據(jù)集

5. 電離層數(shù)據(jù)集

6. Fashion MNIST 數(shù)據(jù)集

7. 貓與狗數(shù)據(jù)集

8. 威斯康星州乳腺癌（診斷）數(shù)據(jù)集

9. Twitter 情緒分析和 Sentiment140 數(shù)據(jù)集

10. BBC 新聞數(shù)據(jù)集

11. 垃圾短信分類器數(shù)據(jù)集

12. CelebA 數(shù)據(jù)集

13. YouTube-8M 數(shù)據(jù)集

14. 亞馬遜評論數(shù)據(jù)集

15. 紙幣驗證數(shù)據(jù)集

16. LabelMe 數(shù)據(jù)集

17. 聲納數(shù)據(jù)集

18. 皮馬印第安人糖尿病數(shù)據(jù)集

19. 小麥種子數(shù)據(jù)集

20. Jeopardy! 數(shù)據(jù)集

21. 鮑魚數(shù)據(jù)集

22. 假新聞檢測數(shù)據(jù)集

23. ImageNet 數(shù)據(jù)集

這是迄今為止我最喜歡的數(shù)據(jù)集。我在最近寫的書里的大多數(shù)示例都來自于它。簡單來說，如果你在 Iris 數(shù)據(jù)集上做實驗做膩了就可以嘗試一下這一個。它由 Kristen Gorman 博士和南極洲 LTER 的帕爾默科考站共同創(chuàng)建。該數(shù)據(jù)集本質(zhì)上是由兩個數(shù)據(jù)集組成的，每個數(shù)據(jù)集包含 344 只企鵝的數(shù)據(jù)。

就像 Iris 一樣，這個數(shù)據(jù)集里有來自帕爾默群島 3 個島嶼的 3 種不同種類的企鵝，分別是 Adelie、Chinstrap 和 Gentoo。或許“Gentoo”聽起來很耳熟，那是因為 Gentoo Linux 就是以它命名的！此外，這些數(shù)據(jù)集包含每個物種的 culmen 維度。這里 culmen 是鳥喙的上脊。在簡化的企鵝數(shù)據(jù)中，culmen 長度和深度被重命名為變量 culmen_length_mm 和 culmen_depth_mm。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

我們使用 Pandas 庫來做數(shù)據(jù)可視化，并且加載的是一個更簡單的數(shù)據(jù)集。

它是練習(xí)解決分類和聚類問題的好幫手。在這里，你可以嘗試各種分類算法，如決策樹、隨機(jī)森林、SVM，或把它用于聚類問題并練習(xí)使用無監(jiān)督學(xué)習(xí)。

在以下鏈接中可以獲得有關(guān) PalmerPenguins 數(shù)據(jù)集的更多信息：

• 介紹 (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)

這個數(shù)據(jù)集非常有趣。它對于初學(xué)者來說有點復(fù)雜，但也正因如此，它很適合拿來做練習(xí)。它包含了華盛頓特區(qū)“首都自行車共享計劃”中自行車租賃需求的數(shù)據(jù)，自行車共享和租賃系統(tǒng)通常是很好的信息來源。這個數(shù)據(jù)集包含了有關(guān)騎行持續(xù)時間、出發(fā)地點、到達(dá)地點和經(jīng)過時間的信息，還包含了每一天每小時的天氣信息。

我們加載數(shù)據(jù)，看看它是什么樣的。首先，我們使用數(shù)據(jù)集的每小時數(shù)據(jù)來執(zhí)行操作：

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

每日數(shù)據(jù)是下面的樣子：

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

由于該數(shù)據(jù)集包含的信息種類繁多，因此非常適合練習(xí)解決回歸問題。你可以嘗試對其使用多元線性回歸，或使用神經(jīng)網(wǎng)絡(luò)。

在以下鏈接中可以獲得關(guān)于該數(shù)據(jù)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)

這是一個經(jīng)典之作。如果你喜歡葡萄樹或計劃成為索馬里人，肯定會更中意它的。該數(shù)據(jù)集由兩個數(shù)據(jù)集組成。兩者都包含來自葡萄牙 Vinho Verde 地區(qū)的葡萄酒的化學(xué)指標(biāo)，一種用于紅葡萄酒，另一種用于白葡萄酒。由于隱私限制，數(shù)據(jù)集里沒有關(guān)于葡萄種類、葡萄酒品牌、葡萄酒售價的數(shù)據(jù)，但有關(guān)于葡萄酒質(zhì)量的信息。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

這是一個多類分類問題，但也可以被定義為回歸問題。它的分類數(shù)據(jù)是不均衡的（例如，正常葡萄酒的數(shù)量比優(yōu)質(zhì)或差的葡萄酒多得多），很適合針對不均衡數(shù)據(jù)集的分類練習(xí)。除此之外，數(shù)據(jù)集中所有特征并不都是相關(guān)的，因此也可以拿來練習(xí)特征工程和特征選擇。

以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

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

雖然我說過會盡量不推薦其他人都推薦的那種數(shù)據(jù)集，但這個數(shù)據(jù)集實在太經(jīng)典了。許多教程、示例和書籍都使用過它。這個數(shù)據(jù)集由 14 個特征組成，包含美國人口普查局收集的關(guān)于馬薩諸塞州波士頓地區(qū)住房的信息。這是一個只有 506 個樣本的小數(shù)據(jù)集。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

該數(shù)據(jù)集非常適合練習(xí)回歸任務(wù)。請注意，因為這是一個小數(shù)據(jù)集，你可能會得到樂觀的結(jié)果。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

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

這也是一個經(jīng)典數(shù)據(jù)集。它實際上起源于 1989 年，但它確實很有趣。該數(shù)據(jù)集包含由拉布拉多鵝灣的雷達(dá)系統(tǒng)收集的數(shù)據(jù)。該系統(tǒng)由 16 個高頻天線的相控陣列組成，旨在檢測電離層中的自由電子。一般來說，電離層有兩種類型的結(jié)構(gòu)：“好”和“壞”。這些雷達(dá)會檢測這些結(jié)構(gòu)并傳遞信號。數(shù)據(jù)集中有 34 個自變量和 1 個因變量，總共有 351 個觀測值。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

這顯然是一個二元（2 類）分類問題。有趣的是，這是一個不均衡的數(shù)據(jù)集，所以你也可以用它做這種練習(xí)。在這個數(shù)據(jù)集上實現(xiàn)高精度也非易事，基線性能在 64% 左右，而最高精度在 94% 左右。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

MNIST 數(shù)據(jù)集是用于練習(xí)圖像分類和圖像識別的著名數(shù)據(jù)集，然而它有點被濫用了。如果你想要一個簡單的數(shù)據(jù)集來練習(xí)圖像分類，你可以試試 Fashion MNIST。它曾被《機(jī)器學(xué)習(xí)終極指南》拿來做圖像分類示例。

本質(zhì)上，這個數(shù)據(jù)集是 MNIST 數(shù)據(jù)集的變體，它與 MNIST 數(shù)據(jù)集具有相同的結(jié)構(gòu)，也就是說它有一個 60,000 個樣本的訓(xùn)練集和一個 10,000 個服裝圖像的測試集。所有圖像都經(jīng)過尺寸歸一化和居中。圖像的大小也固定為 28×28，這樣預(yù)處理的圖像數(shù)據(jù)被減到了最小水平。它也可作為某些框架（如 TensorFlow 或 PyTorch）的一部分使用。

我們加載數(shù)據(jù)，看看它是什么樣的：

它最適合圖像分類和圖像生成任務(wù)。你可以使用簡單的卷積神經(jīng)網(wǎng)絡(luò)（CNN）來做嘗試，或者使用生成對抗網(wǎng)絡(luò)（GAN）使用它來生成圖像。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

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

這是一個包含貓狗圖像的數(shù)據(jù)集。這個數(shù)據(jù)集包含 23,262 張貓和狗的圖像，用于二值圖像分類。在主文件夾中，你會找到兩個文件夾 train1 和 test。

train1 文件夾包含訓(xùn)練圖像，而 test 文件夾包含測試圖像。請注意，圖像名稱以 cat 或 dog 開頭。這些名稱本質(zhì)上是我們的標(biāo)簽，這意味著我們將使用這些名稱定義目標(biāo)。

我們加載數(shù)據(jù)，看看它是什么樣的：

這個數(shù)據(jù)集有兩重目標(biāo)。首先，它可用于練習(xí)圖像分類以及對象檢測。其次，你可以在這里面找到無窮無盡的可愛圖片。

以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

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

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)在醫(yī)療保健領(lǐng)域中的應(yīng)用正在穩(wěn)步增長。如果你想練習(xí)并了解使用此類數(shù)據(jù)的效果，這個數(shù)據(jù)集是一個不錯的選擇。在該數(shù)據(jù)集中，數(shù)據(jù)是通過處理乳房腫塊的細(xì)針穿刺（FNA）的數(shù)字化圖像提取出來的。該數(shù)據(jù)集中的每個特征都描述了上述數(shù)字化圖像中發(fā)現(xiàn)的細(xì)胞核的特征。

該數(shù)據(jù)集由 569 個樣本組成，其中包括 357 個良性樣本和 212 個惡性樣本。這個數(shù)據(jù)集中有三類特征，其中實值特征最有趣。它們是從數(shù)字化圖像中計算出來的，包含有關(guān)區(qū)域、細(xì)胞半徑、紋理等信息。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

這個醫(yī)療保健數(shù)據(jù)集適合練習(xí)分類和隨機(jī)森林、SVM 等算法。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)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)

在過去幾年中，情緒分析成為了一種監(jiān)控和了解客戶反饋的重要工具。這種對消息和響應(yīng)所攜帶的潛在情緒基調(diào)的檢測過程是完全自動化的，這意味著企業(yè)可以更好更快地了解客戶的需求并提供更好的產(chǎn)品和服務(wù)。

這一過程是通過應(yīng)用各種 NLP（自然語言處理）技術(shù)來完成的。這些數(shù)據(jù)集可以幫助你練習(xí)此類技術(shù)，實際上非常適合該領(lǐng)域的初學(xué)者。Sentiment140 包含了使用 Twitter API 提取的 1,600,000 條推文。它們的結(jié)構(gòu)略有不同。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

如前所述，這是一個用于情緒分析的數(shù)據(jù)集。情緒分析是最常見的文本分類工具。該過程會分析文本片段以確定其中包含的情緒是積極的、消極的還是中性的。了解品牌和產(chǎn)品引發(fā)的社會情緒是現(xiàn)代企業(yè)必不可少的工具之一。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

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

我們再來看這個類別中另一個有趣的文本數(shù)據(jù)集。該數(shù)據(jù)集來自 BBC 新聞。它由 2225 篇文章組成，每篇文章都有標(biāo)簽。所有文章分成 5 個類別：科技、商業(yè)、政治、娛樂和體育。這個數(shù)據(jù)集沒有失衡，每個類別中的文章數(shù)量都是差不多的。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

自然，這個數(shù)據(jù)集最適合用于文本分類練習(xí)。你也可以更進(jìn)一步，練習(xí)分析每篇文章的情緒。總的來說，它適用于各種 NLP 任務(wù)和實踐。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

垃圾消息檢測是互聯(lián)網(wǎng)中最早投入實踐的機(jī)器學(xué)習(xí)任務(wù)之一。這種任務(wù)也屬于 NLP 和文本分類工作。所以，如果你想練習(xí)解決這類問題，Spam SMS 數(shù)據(jù)集是一個不錯的選擇。它在實踐中用得非常多，非常適合初學(xué)者。

這個數(shù)據(jù)集最棒的一點是，它是從互聯(lián)網(wǎng)的多個來源構(gòu)建的。例如，它從 Grumbletext 網(wǎng)站上提取了 425 條垃圾短信，從新加坡國立大學(xué)的 NUS SMS Corpus（NSC）隨機(jī)選擇了 3,375 條短信，還有 450 條短信來自 Caroline Tag 的博士論文等。數(shù)據(jù)集本身由兩列組成：標(biāo)簽（ham 或 spam）和原始文本。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

顧名思義，該數(shù)據(jù)集最適合用于垃圾郵件檢測和文本分類。它也經(jīng)常用在工作面試中，所以大家最好練習(xí)一下。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)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)

如果你想研究人臉檢測解決方案、構(gòu)建自己的人臉生成器或創(chuàng)建深度人臉偽造模型，那么這個數(shù)據(jù)集就是你的最佳選擇。該數(shù)據(jù)集擁有超過 20 萬張名人圖像，每張圖像有 40 個屬性注釋，為你的研究項目提供了一個很好的起點。此外，它還涵蓋了主要的姿勢和背景類別。

我們加載數(shù)據(jù)，看看它是什么樣的：

我們可以用這個數(shù)據(jù)集解決多種問題。比如，我們可以解決各種人臉識別和計算機(jī)視覺問題，它可用來使用不同的生成算法生成圖像。此外，你可以使用它來開發(fā)新穎的深度人臉偽造模型或深度偽造檢測模型。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

這是最大的多標(biāo)簽視頻分類數(shù)據(jù)集。它來自谷歌，擁有 800 萬個帶有注釋和 ID 的 YouTube 分類視頻。這些視頻的注釋由 YouTube 視頻注釋系統(tǒng)使用 48000 個視覺實體的詞匯表創(chuàng)建。該詞匯表也可供下載。

請注意，此數(shù)據(jù)集可用作 TensorFlow 記錄文件。除此之外，你還可以使用這個數(shù)據(jù)集的擴(kuò)展——YouTube-8M Segments 數(shù)據(jù)集。它包含了人工驗證的分段注釋。

你可以使用以下命令下載它們：

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

你可以使用這個數(shù)據(jù)集執(zhí)行多種操作。比如可以使用它跟進(jìn)谷歌的競賽，并開發(fā)準(zhǔn)確分配視頻級標(biāo)簽的分類算法。你還可以用它來創(chuàng)建視頻分類模型，也可以用它練習(xí)所謂的時間概念定位，也就是找到并分享特定的視頻瞬間。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

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

情緒分析是最常見的文本分類工具。這個過程會分析文本片段以確定情緒傾向是積極的、消極的還是中性的。在監(jiān)控在線會話時了解你的品牌、產(chǎn)品或服務(wù)引發(fā)的社會情緒是現(xiàn)代商業(yè)活動的基本工具之一，而情緒分析是實現(xiàn)這一目標(biāo)的第一步。該數(shù)據(jù)集包含了來自亞馬遜的產(chǎn)品評論和元數(shù)據(jù)，包括 1996 年 5 月至 2018 年 10 月的 2.331 億條評論。

這個數(shù)據(jù)集可以為任何產(chǎn)品創(chuàng)建情緒分析的入門模型，你可以使用它來快速創(chuàng)建可用于生產(chǎn)的模型。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

• 介紹和下載 (https://jmcauley.ucsd.edu/data/amazon/)

這是一個有趣的數(shù)據(jù)集。你可以使用它來創(chuàng)建可以檢測真鈔和偽造鈔票的解決方案。該數(shù)據(jù)集包含了從數(shù)字化圖像中提取的許多指標(biāo)。數(shù)據(jù)集的圖像是使用通常用于印刷檢查的工業(yè)相機(jī)創(chuàng)建的，圖像尺寸為 400x400 像素。這是一個干凈的數(shù)據(jù)集，包含 1372 個示例且沒有缺失值。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

它是練習(xí)二元分類和應(yīng)用各種算法的絕佳數(shù)據(jù)集。此外，你可以修改它并將其用于聚類，并提出將通過無監(jiān)督學(xué)習(xí)對這些數(shù)據(jù)進(jìn)行聚類的算法。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)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)

LabelMe 是另一個計算機(jī)視覺數(shù)據(jù)集。LabelMe 是一個帶有真實標(biāo)簽的大型圖像數(shù)據(jù)庫，用于物體檢測和識別。它的注釋來自兩個不同的來源，其中就有 LabelMe 在線注釋工具。

簡而言之，有兩種方法可以利用這個數(shù)據(jù)集。你可以通過 LabelMe Matlab 工具箱下載所有圖像，也可以通過 LabelMe Matlab 工具箱在線使用圖像。

標(biāo)記好的數(shù)據(jù)如下所示：

它是用于對象檢測和對象識別解決方案的絕佳數(shù)據(jù)集。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

• 介紹和下載 (http://labelme.csail.mit.edu/Release3.0/index.php)

如果你對地質(zhì)學(xué)感興趣，會發(fā)現(xiàn)這個數(shù)據(jù)集非常有趣。它是利用聲納信號制成的，由兩部分組成。第一部分名為“sonar.mines”，包含 111 個模式，這些模式是使用在不同角度和不同條件下從金屬圓柱體反射的聲納信號制成的。

第二部分名為“sonar.rocks”，由 97 個模式組成，同樣是通過反射聲納信號制成，但這次反射的是巖石上的信號。它是一個不均衡數(shù)據(jù)集，包含 208 個示例、60 個輸入特征和一個輸出特征。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

該數(shù)據(jù)集非常適合練習(xí)二元分類。它的制作目標(biāo)是檢測輸入是地雷還是巖石，這是一個有趣的問題，因為最高的輸出結(jié)果達(dá)到了 88% 的準(zhǔn)確率。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

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

這是另一個用于分類練習(xí)的醫(yī)療保健數(shù)據(jù)集。它來自美國國家糖尿病、消化和腎臟疾病研究所，其目的是根據(jù)某些診斷指標(biāo)來預(yù)測患者是否患有糖尿病。

該數(shù)據(jù)集包含 768 個觀測值，具有 8 個輸入特征和 1 個輸出特征。它不是一個均衡的數(shù)據(jù)集，并且假設(shè)缺失值被替換為 0。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

它是另一個適合練習(xí)二元分類的數(shù)據(jù)集。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

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

這個數(shù)據(jù)集非常有趣和簡單。它特別適合初學(xué)者，可以代替 Iris 數(shù)據(jù)集。該數(shù)據(jù)集包含屬于三種不同小麥品種的種子信息：Kama、Rosa 和 Canadian。它是一個均衡的數(shù)據(jù)集，每個類別有 70 個實例。種子內(nèi)部內(nèi)核結(jié)構(gòu)的測量值是使用軟 X 射線技術(shù)檢測的。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

這個數(shù)據(jù)集有利于提升分類技能。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

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

這個數(shù)據(jù)集很不錯，包含 216,930 個 Jeopardy 問題、答案和其他數(shù)據(jù)。它是可用于你 NLP 項目的絕佳數(shù)據(jù)集。除了問題和答案，該數(shù)據(jù)集還包含有關(guān)問題類別和價值的信息。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

這是一個豐富的數(shù)據(jù)集，可用于多種用途。你可以運(yùn)行分類算法并預(yù)測問題的類別或問題的價值。不過你可以用它做的最酷的事情可能是用它來訓(xùn)練 BERT 模型。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

從本質(zhì)上講這是一個多分類問題，然而，這個數(shù)據(jù)集也可以被視為一個回歸問題。它的目標(biāo)是使用提供的指標(biāo)來預(yù)測鮑魚的年齡。這個數(shù)據(jù)集不均衡，4,177 個實例有 8 個輸入變量和 1 個輸出變量。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

該數(shù)據(jù)集可以同時構(gòu)建為回歸和分類任務(wù)。這是一個很好的機(jī)會，可以使用多元線性回歸、SVM、隨機(jī)森林等算法，或者構(gòu)建一個可以解決這個問題的神經(jīng)網(wǎng)絡(luò)。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

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

我們生活在一個狂野的時代。假新聞、深度造假和其他類型的欺騙技術(shù)都成了我們?nèi)粘Ｉ畹囊徊糠郑瑹o論我們喜歡與否。這個數(shù)據(jù)集提供了另一個非常適合練習(xí)的 NLP 任務(wù)。它包含標(biāo)記過的真實和虛假新聞，以及它們的文本和作者。

我們加載數(shù)據(jù)，看看它是什么樣的：

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

這是另一個 NLP 文本分類任務(wù)。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

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

最后這個數(shù)據(jù)集是計算機(jī)視覺數(shù)據(jù)集中的王者——ImageNet。該數(shù)據(jù)集是用來衡量所有新的深度學(xué)習(xí)和計算機(jī)視覺技術(shù)創(chuàng)新的基準(zhǔn)。沒有它，深度學(xué)習(xí)的世界就不會變成今天這樣的狀態(tài)。ImageNet 是一個按照 WordNet 層次結(jié)構(gòu)組織的大型圖像數(shù)據(jù)庫。這意味著每個實體都用一組稱為 -synset 的詞和短語來描述。每個同義詞集分配了大約 1000 個圖像。基本上，層次結(jié)構(gòu)的每個節(jié)點都由成百上千的圖像描述。

它是學(xué)術(shù)和研究界的標(biāo)準(zhǔn)數(shù)據(jù)集。它的主要任務(wù)是圖像分類，但你也可以將其用于各種任務(wù)。

從以下鏈接中可以找到關(guān)于這個數(shù)據(jù)集的更多信息：

• 官方網(wǎng)站 (https://image-net.org/)

在本文中，我們探索了 23 個非常適合機(jī)器學(xué)習(xí)應(yīng)用實踐的數(shù)據(jù)集。感謝你的閱讀！

Nikola M. Zivkovic 是下列書籍的作者：《機(jī)器學(xué)習(xí)終極指南》和《面向程序員的深度學(xué)習(xí)》。他喜歡分享知識，還是一位經(jīng)驗豐富的演講者。他曾在許多聚會、會議上發(fā)表演講，并在諾維薩德大學(xué)擔(dān)任客座講師。

原文鏈接：

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

 時隔一年！深度學(xué)習(xí)語義分割理論與代碼實踐指南.pdf第二版來了！
 我工作第五年的學(xué)習(xí)與讀書之法
【原創(chuàng)首發(fā)】機(jī)器學(xué)習(xí)公式推導(dǎo)與代碼實現(xiàn)30講.pdf