Які хороші набори даних для вивчення основних алгоритмів машинного навчання та чому?

Я новачок у машинному навчанні та шукаю деякі набори даних, за допомогою яких я можу порівнювати та протиставляти відмінності між різними алгоритмами машинного навчання (Дерева рішень, Підвищення, SVM та Нейронні мережі)

Де я можу знайти такі набори даних? Що я повинен шукати під час розгляду набору даних?

Було б чудово, якщо ви можете вказати на кілька хороших наборів даних, а також сказати мені, що робить їх гарним набором даних?

Набори даних на наступних сайтах доступні безкоштовно. Ці набори даних були використані для навчання алгоритмів ML для студентів, оскільки для більшості є описи з наборами даних. Також згадувалося, який тип алгоритмів застосовується.

1. UCI - сховище машинного навчання
2. ML Comp
3. Зображення мамо
4. Мулан

У Kaggle є безліч наборів даних, якими ви можете користуватися для роботи.

(Я здивований, що його досі не згадували!)

Дві речі (серед багатьох інших), які роблять це дуже цінним ресурсом:

• Багато чистих наборів даних. Хоча безшумні набори даних насправді не є репрезентативними наборами даних у реальному світі, вони особливо підходять для вашої мети - розгортання алгоритмів ML.
• Ви також можете переглянути інші ML-моделі для того ж набору даних, що може бути цікавим способом зібрати деякі хаки по дорозі. Само собою зрозуміло, що вигляд, який ви отримуєте, навчаючись у кращих практикуючих, є, як і для всього іншого, дуже корисним.

По-перше, я рекомендую почати з вибіркових даних, які надаються разом із програмним забезпеченням. Більшість розповсюджень програмного забезпечення включає приклади даних, які можна використовувати для ознайомлення з алгоритмом, не маючи стосунків з типом даних і не перебираючи дані у потрібний для алгоритму формат. Навіть якщо ви будуєте алгоритм з нуля, ви можете почати з вибірки з аналогічної реалізації та порівняти продуктивність.

По-друге, я б рекомендував експериментувати з синтетичними наборами даних, щоб відчути, як працює алгоритм, коли ви знаєте, як генеруються дані та співвідношення сигнал / шум.

У R ви можете перелічити всі дані в поточно встановлених пакетах за допомогою цієї команди:

data(package = installed.packages()[, 1])

Пакет R mlbench має реальні набори даних і може генерувати синтетичні набори даних, корисні для вивчення продуктивності алгоритму.

Python's scikit-learn має вибіркові дані та також генерує синтетичний / іграшковий набір даних.

SAS має навчальний набір даних, доступний для завантаження, і вибіркові дані SPSS встановлюються за допомогою програмного забезпечення на C: \ Program Files \ IBM \ SPSS \ Statistics \ 22 \ Samples

Нарешті, я б дивився на дані в дикій природі. Я порівняв би ефективність різних алгоритмів та параметрів настройки на реальних наборах даних. Зазвичай для цього потрібно набагато більше роботи, оскільки ви рідко знайдете набір даних із типами даних та структурами, які ви можете потрапити прямо у свої алгоритми.

Для даних у дикій природі я рекомендую:

Архів наборів даних reddit

Список KDnugget

Дані райдужки встановлені руками вниз. Це також в базі R.

На мою думку, ви можете почати з невеликих наборів даних, які не мають занадто багато функцій.

Одним із прикладів може бути набір даних Iris (для класифікації). Він має 3 класи, 50 зразків для кожного класу, що налічує 150 точок даних. Один чудовий ресурс, який допоможе вивчити цей набір даних, - це серія відеозаписів від Data School.

Іншим набором даних для замовлення є набір даних про якість вина із сховища UCI -ML. Він має 4898 точок даних з 12 атрибутами.