文章目錄

• • • 1.瑞典汽車保險數(shù)據(jù)集
    • 3.比馬印第安人糖尿病數(shù)據(jù)集
    • 4.懷孕次數(shù)
    • 5.聲納數(shù)據(jù)集
    • 6.鈔票數(shù)據(jù)集
    • 7.鳶尾花卉數(shù)據(jù)集
    • 9. 電離層數(shù)據(jù)集
    • 10.小麥種子數(shù)據(jù)集
    • 11.波士頓房價數(shù)據(jù)集
    • 12
    • • 12.1單變量時間序列數(shù)據(jù)集
      • • 洗發(fā)水銷售數(shù)據(jù)集（Shampoo Sales Dataset）
        • 日較低溫度數(shù)據(jù)集（Minimum Daily Temperatures Dataset）
        • 每月太陽黑子數(shù)數(shù)據(jù)集（Monthly Sunspot Dataset）
        • 每日女嬰出生人數(shù)數(shù)據(jù)集
      • 12.2 多變量時間序列數(shù)據(jù)集
      • • EEG 人眼狀態(tài)數(shù)據(jù)集
        • 使用檢測數(shù)據(jù)集（Occupancy Detection Dataset）
        • 臭氧水平檢測數(shù)據(jù)集
    • 13 UCI數(shù)據(jù)集
    • 14 狗熊會

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。

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：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：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)量分數(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。

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。

? 變量名：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：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：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：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：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： 17對雷達回波數(shù)據(jù)， … …

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：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：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

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。

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：

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：

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：

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。

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：

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：

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)分數(shù)高多少。

13 UCI數(shù)據(jù)集

http://archive.ics.uci.edu/ml/datasets.php

14 狗熊會

微信公眾號狗熊會可以下載很多數(shù)據(jù)集，之前搞活動開了年度VIP，有需要的可以找我

轉(zhuǎn)自：https://blog.csdn.net/zhaoyuxia517/article/details/77994390

總結(jié)

以上是生活随笔為你收集整理的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。