來源：machinelearningmastery.com

作者：Jason Brownlee

【新智元導(dǎo)讀】學(xué)好機(jī)器學(xué)習(xí)的關(guān)鍵是用許多不同的數(shù)據(jù)集來實(shí)踐。本文介紹了10個(gè)最受歡迎的標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)數(shù)據(jù)集和7個(gè)時(shí)間序列數(shù)據(jù)集，既有回歸問題也有分類問題，并提供了各數(shù)據(jù)集輸入輸出的變量名稱和基準(zhǔn)性能，以及下載地址，可以用作練習(xí)的資源。

學(xué)好機(jī)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?yàn)閷Σ煌膯栴}，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(gè)最受歡迎的標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)數(shù)據(jù)集，可以用作練習(xí)的資源。

每個(gè)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：

1. 名稱：如何引用數(shù)據(jù)集

2. 問題類型：是回歸問題還是分類問題

3. 輸入和輸出：輸入和輸出特征的數(shù)量和名稱

4. 性能：使用零規(guī)則算法（Zero Rule Algorithm）的基準(zhǔn)性能比較，以及已知的最佳性能

5. 示例：原始數(shù)據(jù)前5行的快照

6. 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(gè)數(shù)據(jù)集的列表。每個(gè)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。

1. 瑞典汽車保險(xiǎn)數(shù)據(jù)集

2. 葡萄酒質(zhì)量數(shù)據(jù)集

3. 比馬印第安人糖尿病數(shù)據(jù)集

4. 聲納數(shù)據(jù)集

5. 鈔票數(shù)據(jù)集

6. 鳶尾花卉數(shù)據(jù)集

7. 鮑魚數(shù)據(jù)集

8. 電離層數(shù)據(jù)集

9. 小麥種子數(shù)據(jù)集

10. 波士頓房價(jià)數(shù)據(jù)集

瑞典汽車保險(xiǎn)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(jì)，給定的條件是索賠要求總數(shù)。

這是一個(gè)回歸問題。它由 63 個(gè)觀察值組成，包括1個(gè)輸入變量和1個(gè)輸出變量。變量名分別是：

1. 索賠要求數(shù)量

2. 對所有索賠的總賠付，以千瑞典克朗計(jì)

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(gè)數(shù)據(jù)集的散點(diǎn)圖：

下載地址：http:///RfHWAbI

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(gè)多類分類問題，但也可以定義為回歸問題。每個(gè)類的觀察值數(shù)量不均等。一共有 4898個(gè)觀察值，11個(gè)輸入變量和一個(gè)輸出變量。變量名如下：

1. 非揮發(fā)性酸度

2. 揮發(fā)性酸度

3. 檸檬酸

4. 殘留糖

5. 氯化物

6. 游離二氧化硫

7. 總二氧化硫

8. 濃度

9. pH值

10. 硫酸鹽

11. 酒精度

12. 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：

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(gè)二元分類問題。每個(gè)類的觀察值數(shù)量不均等。一共有 768 個(gè)觀察值，8個(gè)輸入變量和1個(gè)輸出變量。缺失值通常用零值編碼。變量名如下：

1. 懷孕次數(shù)

2. 口服葡萄糖耐受試驗(yàn)中，2小時(shí)的血漿葡萄糖濃度。

3. 舒張壓（mm Hg）

4. 三頭肌皮膚褶層厚度（mm）

5. 2小時(shí)血清胰島素含量（μU/ ml）

6. 體重指數(shù)（體重，kg /（身高，m）^ 2）

7. 糖尿病家族史

8. 年齡（歲）

9. 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，最佳結(jié)果達(dá)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:///RfaFfq8

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(qiáng)度預(yù)測目標(biāo)物體是巖石還是礦井。

它是一個(gè)二元分類問題。每個(gè)類的觀察值數(shù)量不均等。一共有208個(gè)觀察值，60個(gè)輸入變量和1個(gè)輸出變量。變量名如下：

1. 從不同角度返回的聲納

2. ... ...

3. 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，最佳結(jié)果達(dá)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:///Rf8GrP7

鈔票數(shù)據(jù)集（Banknote Dataset）涉及根據(jù)給定鈔票的數(shù)個(gè)度量的照片預(yù)測是真鈔還是假鈔。

它是一個(gè)二元分類問題。每個(gè)類的觀測值數(shù)量不均等。一共有 1372 個(gè)觀察值，4個(gè)輸入變量和1個(gè)輸出變量。變量名如下：

1. 小波變換圖像（連續(xù)）

2. 小波偏斜變換圖像（連續(xù)）

3. 小波峰度變換圖像（連續(xù)）

4. 圖像熵（連續(xù)）。

5. 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:///Rf8GdQo

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(gè)多類分類問題。每個(gè)類的觀察值數(shù)量是均等的。一共有 150 個(gè)觀察值，4個(gè)輸入變量和1個(gè)輸出變量。變量名如下：

1. 萼片長度（cm）

2. 萼片寬度（cm）

3. 花瓣長度（cm）

4. 花瓣寬度（cm）

5. 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:///Rf8GeUq

鮑魚數(shù)據(jù)集（Abalone Dataset）涉及根據(jù)鮑魚個(gè)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(gè)多類分類（multi-class classification）問題，但也可以作為回歸問題。每個(gè)類的觀察值數(shù)量不均等。該數(shù)據(jù)集有 4177 個(gè)觀察值，8個(gè)輸入變量和1個(gè)輸出變量。 變量名如下：

1. 性別（M，F(xiàn)，I）

2. 長度

3. 直徑

4. 高度

5. 總重量

6. 剝殼重量

7. 內(nèi)臟重量

8. 殼重

9. 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(gè)環(huán)。

該數(shù)據(jù)集前5行的示例如下：

下載地址：http:///Rf8GDdu

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(dá)回波預(yù)測大氣結(jié)構(gòu)。

它是一個(gè)二元分類問題。每個(gè)類的觀察值數(shù)量不均等，一共有 351 個(gè)觀察值，34 個(gè)輸入變量和1個(gè)輸出變量。變量名如下：

1. 1 17對雷達(dá)回波數(shù)據(jù)。

2. 2 ... ...

3. 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，最佳結(jié)果達(dá)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:///Rf8GFY4

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(jìn)行預(yù)測，給定的是種子的計(jì)量數(shù)據(jù)。

它是一個(gè)二元分類問題。每個(gè)類的觀察值是均等的，一共 210 個(gè)觀察值，7個(gè)輸入變量和1個(gè)輸出變量。變量名如下：

1. 區(qū)域

2. 周長

3. 壓實(shí)度

4. 籽粒長度

5. 籽粒寬度

6. 不對稱系數(shù)

7. 籽粒腹溝長度

8. 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:///RfHHbzw

波士頓房價(jià)數(shù)據(jù)集（Boston House Price Dataset）包含對房價(jià)的預(yù)測，以千美元計(jì)，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(gè)回歸問題。每個(gè)類的觀察值數(shù)量是均等的，共有 506 個(gè)觀察，13 個(gè)輸入變量和1個(gè)輸出變量。變量名如下：

1. CRIM：城鎮(zhèn)人均犯罪率。

2. ZN：住宅用地超過 25000 sq.ft. 的比例。

3. INDUS：城鎮(zhèn)非零售商用土地的比例。

4. CHAS：查理斯河空變量（如果邊界是河流，則為1；否則為0）。

5. NOX：一氧化氮濃度。

6. RM：住宅平均房間數(shù)。

7. AGE：1940 年之前建成的自用房屋比例。

8. DIS：到波士頓五個(gè)中心區(qū)域的加權(quán)距離。

9. RAD：輻射性公路的接近指數(shù)。

10. TAX：每 10000 美元的全值財(cái)產(chǎn)稅率。

11. PTRATIO：城鎮(zhèn)師生比例。

12. B：1000（Bk-0.63）^ 2，其中 Bk 指代城鎮(zhèn)中黑人的比例。

13. LSTAT：人口中地位低下者的比例。

14. MEDV：自住房的平均房價(jià)，以千美元計(jì)。

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:///RfHTAgY

機(jī)器學(xué)習(xí)可以在時(shí)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(shí)間排序的。下面介紹7個(gè)標(biāo)準(zhǔn)時(shí)間序列數(shù)據(jù)集，可用于使用機(jī)器學(xué)習(xí)進(jìn)行時(shí)間序列預(yù)測的實(shí)踐。

只有一個(gè)變量的時(shí)間序列數(shù)據(jù)集稱為單變量數(shù)據(jù)集（univariate datasets），其優(yōu)點(diǎn)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(gè)單變量時(shí)間序列數(shù)據(jù)集，均可從datamarket上下載。

• 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(gè)觀察值。下面是該數(shù)據(jù)集前5行的示例，包括標(biāo)題行：

• 日最低溫度數(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）的日最低溫度。單位是攝氏度，有3650個(gè)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：

• 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(gè)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：

• 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(gè)觀察值。數(shù)據(jù)集來源自 Newton（1988）。

下面是前5行的示例：

多變量數(shù)據(jù)集（Multivariate datasets）通常更具挑戰(zhàn)性，多變量時(shí)間序列數(shù)據(jù)的主要來源是 UCI 機(jī)器學(xué)習(xí)庫（http://archive.ics./ml/），下文推薦的3個(gè)數(shù)據(jù)集均可下載。

• EEG 人眼狀態(tài)數(shù)據(jù)集

該數(shù)據(jù)集描述個(gè)體的 EEG 數(shù)據(jù)，以及他們的眼睛是睜著還是閉著。這個(gè)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(gè)分類預(yù)測模型問題，共有14980個(gè)觀察值和15個(gè)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(shí)間排序，記錄觀察結(jié)果的時(shí)間是117秒。

下面是數(shù)據(jù)集前5行的示例：

• 使用檢測數(shù)據(jù)集（Occupancy Detection Dataset）

這個(gè)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(gè)星期期間，共10560個(gè)一分鐘的觀察，屬于分類預(yù)測問題。數(shù)據(jù)集包括7個(gè)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：

• 臭氧水平檢測數(shù)據(jù)集

這個(gè)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(gè)觀察值，73個(gè)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：

本文介紹了 10 個(gè)最受歡迎的標(biāo)準(zhǔn)數(shù)據(jù)集，你可以用它們來進(jìn)行機(jī)器學(xué)習(xí)的應(yīng)用練習(xí)。

可以采取以下步驟：

1. 選擇一個(gè)數(shù)據(jù)集。

2. 選擇你最喜歡的工具（例如 Weka，scikit-learn 或 R）

3. 看看你的結(jié)果比基準(zhǔn)分?jǐn)?shù)高多少。

責(zé)編：XJ