43种机器学习开源数据集(附地址/调用方法) CDA数据分析师 • 文章来源: 大数据DT • 2022-03-29 09:49 • 人工智能 开源数据集! 导读:学习机器学习是一个不断探索和实验的过程,因此,本文将主要介绍常见的开源数据集,便于读者学习和实验各种机器学习算法。 作者:张春强 张和平 唐振 来源:大数据DT(ID:hzdashuju) 01 开源数据集介绍 在学习机器学习算法的过程中,我们经常需要数据来学习和试验算法,但是找到一组适合某种机器学习类型的数据却不那么方便。下文对常见的开源数据集进行了汇总。 1. UCI数据集 类型:比较全面,各类型数据都有涉及 网址: http://archive.ics.uci.edu/ml/datasets.php 2. Kaggle竞赛数据集 类型:比较全面,各类型数据都有涉及 网址:https://www.kaggle.com/datasets 3. ImageNet 类型:计算机视觉数据 网址:http://image-net.org/ 4. VisualData 类型:计算机视觉数据 网址:https://www.visualdata.io/ 5. MS COCO 类型:计算机视觉数据 网址:http://mscoco.org/ 6. Stanford CoreNLP 类型:情感分析数据 网址:http://nlp.stanford.edu/sentiment/code.html 7. IMDB 类型:情感分析数据 网址:http://ai.stanford.edu/~amaas/data/sentiment/ 8. Sentiment140 类型:情感分析数据 网址:http://help.sentiment140.com/for-students/ 9. HotspotQA 类型:自然语言处理 网址:https://hotpotqa.github.io/ 10. Enron Email 类型:自然语言处理 网址:https://www.cs.cmu.edu/~./enron/ 11. Amazon 类型:自然语言处理 网址:https://snap.stanford.edu/data/web-Amazon.html 12. 百度Apolloscapes 类型:自动驾驶 网址:http://apolloscape.auto/ 13. Berkeley DeepDrive 类型:自动驾驶 网址:http://bdd-data.berkeley.edu/ 14. Robotcar 类型:自动驾驶 网址:http://robotcar-dataset.robots.ox.ac.uk/ 15. Data.gov 类型:公共政府数据集 网址:https://www.data.gov/ 16. Food Environment Atlas 类型:公共政府数据集 网址:https://catalog.data.gov/dataset/food-environment-atlas-f4a22 17. Annual Survey of School System Finances 类型:公共政府数据集 网址:https://catalog.data.gov/dataset/annual-survey-of-school-system-finances 18. NCES 类型:公共政府数据集 网址:https://nces.ed.gov/ 19. Data USA 类型:公共政府数据集 网址:http://datausa.io/ 20. 中国国家统计局 类型:公共政府数据集 网址:http://www.stats.gov.cn/ 21. Quandl 类型:金融与经济数据集 网址:https://www.quandl.com/ 22. WorldBank 类型:金融与经济数据集 网址:https://data.worldbank.org/ 23. IMF 类型:金融与经济数据集 网址:https://www.imf.org/en/Data 24. Markets 类型:金融与经济数据集 网址:https://markets.ft.com/data/ 25. Google Trends 类型:金融与经济数据集 网址:http://www.google.com/trends?q=google&ctab=0&geo=all&date=all&sort=0 26. US Macro Regional 类型: 金融与经济数据集 网址:https://www.aeaweb.org/resources/data/us-macro-regional 27. Google Audioset 类型:语音数据集 网址: https://research.google.com/audioset/ 28. 2000 HUB5 English 类型:语音数据集 网址: https://catalog.ldc.upenn.edu/LDC2002T43 29. LibriSpeech 类型:语音数据集 网址:http://www.openslr.org/12/ 02 scikit-learn中的数据集 scikit-learn是Python中进行数据挖掘和建模中常用的机器学习工具包。scikit-learn的datasets模块主要提供了一些导入、在线下载及本地生成数据集的方法。模块的主要函数如下所示。 sklearn.datasets.load_<name>:自带数据集(数据量较小) sklearn.datasets.fetch_<name>:在线下载的数据集 sklearn.datasets.make_<name> :生成指定类型的随机数据集 sklearn.datasets.load_svmlight_file :svmlight/libsvm格式的数据集 sklearn.datasets.fetch_mldata :mldata.org在线下载数据集 自带数据集的datasets模块里包含自带数据集,使用load_*加载即可,使用示例如下所示。 fromsklearn.datasets importload_iris data = load_iris # 查看数据描述 print(data.DESCR) X = data.data y = data.target 自带数据集的基本信息及序号30、31、32的自带数据集做简单的介绍如下。读者也可以使用data.DESCR,查看其英文描述。 30. 波士顿房价数据集 调用方法:load_boston 模型类型:回归 数据规模(样本*特征):506*13 这个数据集包含了506处波士顿不同地理位置的房产的房价数据(因变量),房屋以及房屋周围的详细信息(自变量),其中包含城镇犯罪率、一氧化氮浓度、住宅平均房间数等13个维度的数据,波士顿房价数据集能够应用到回归问题上。波士顿房价数据集与属性描述如下所示。 CRIM:城镇人均犯罪率。 ZN:住宅用地超过25000平方英尺的比例。 INDUS:城镇非零售商用土地的比例。 CHAS:查理斯河空变量(如果边界是河流,则为1;否则为0)。 NOX:一氧化氮浓度。 RM:住宅平均房间数。 AGE:1940 年之前建成的自用房屋比例。 DIS:到波士顿五个中心区域的加权距离。 RAD:辐射性公路的接近指数。 TAX:每10000 美元的全值财产税率。 PTRATIO:城镇师生比例。 MEDV:自住房的平均房价,以千美元计。 31. 鸢尾花数据集 调用方法:load_iris 模型类型:分类 数据规模(样本*特征):105*4 鸢尾花数据集是一个非常经典的数据集,著名的统计学家Fisher在研究判别分析问题时收集了一些关于鸢尾花的数据,包含了150个鸢尾花样本,对应3种鸢尾花,各50个样本,以及它们各自对应的4种关于外形的数据(自变量)。该数据集可用于多分类问题,测量数据如下所示。 sepal length (cm):萼片长度。 sepal width (cm):萼片宽度。 petal length (cm):花瓣长度。 petal width (cm):花瓣宽度。 类别共分为三类:Iris Setosa、Iris Versicolour和Iris Virginica。 32. 手写数字数据集 调用方法:load_digits 模型类型:分类 数据规模(样本*特征):1797*64 这个数据集是结构化数据的经典数据,共有1797个样本,每个样本有64个元素,对应一个8×8像素点组成的矩阵,矩阵中值的范围是0~16,代表颜色的深度,控制每一个像素的黑白浓淡,所以每个样本还原到矩阵后代表一个手写体数字。 33. 糖尿病数据集 调用方法:load_diabetes 模型类型:回归 数据规模(样本*特征):422*10 34. 葡萄酒数据集 调用方法:Load_wine 模型类型:分类 数据规模(样本*特征):178*13 35. 乳腺癌数据集 调用方法:load_breast_cancer 模型类型:分类 数据规模(样本*特征):569*30 36. 体能训练数据集 调用方法:load_linnerud 模型类型:多元回归 数据规模(样本*特征):20*3 scikit-learn在线下载数据集的datasets模块包含在线下载数据集的方法,调用fetch_*接口从网络下载,示例如下所示。 fromsklearn.datasets importfetch_20newsgroups newsgroups_train = fetch_20newsgroups(subset= ‘train’) newsgroups_test = fetch_20newsgroups(subset= ‘test’) 注意,fetch_*接口由于需要从国外网址下载数据,速度可能很慢! 在线下载数据集的基本信息如下所示。 37. Olivetti脸部图像数据集 调用方法:fetch_olivetti_faces 模型类型:降维 数据规模(样本*特征):400*64*64 38. 20类新闻分类数据集(文本) 调用方法:fetch_20newsgroups 模型类型:分类 数据规模(样本*特征):18846*1 39. 20类新闻文本数据集(特征向量) 调用方法:fetch_20newsgroups_vectorized 模型类型:分类 数据规模(样本*特征):18846*130107 40. 带标签的人脸数据集 调用方法:fetch_lfw_people 模型类型:分类 数据规模(样本*特征):13233*5828 41. 路透社新闻语料数据集 调用方法:fetch_rcv1 模型类型:分类 数据规模(样本*特征):804414*47236 42. 加州住房数据集 调用方法:fetch_california_housing 模型类型:回归 数据规模(样本*特征):20640*8 43. 森林植被 调用方法:fetch_covtype 模型类型:多分类 数据规模(样本*特征):581012*54 scikit-learn包括用于以svmlight/libsvm格式加载数据集的实函数。在这种格式中,每一行都采用表格,此格式特别适用于稀疏数据集。在该模块中,使用SciPy稀疏CSR矩阵,并使用numpy数组,示例如下。svmlight / libsvm格式的公共数据集可以从网上下载。 网址: https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/ fromsklearn.datasets importload_svmlight_file X_train , y_train = load_svmlight_file ( “/ path / to / train_dataset.txt “)newsgroups_test = fetch_20newsgroups(subset= ‘test’) openml.org是机器学习数据和实验的公共存储库,允许每个人上传开放数据集。sklearn.datasets能够从存储库下载数据集。示例如下: fromsklearn.datasets importfetch_openml mice = fetch_openml(name= ‘miceprotein’, version= 4) print(mice.DESCR) mice.url 更多数据集信息描述请查看官网: https://www.openml.org/search?type=data 本文摘编自《机器学习:软件工程方法与实现》,经出版方授权发布。 本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请给「我们」留言处理。 机器学习数据集 赞 (0) CDA数据分析师专栏 0 生成海报 机器学习的基础图表 上一篇 2022-03-24 02:05 如何防止我的模型过拟合?这篇文章给出了6大必备方法 下一篇 2022-04-02 00:29 相关文章 人工智能 深度学习在搜狗无线搜索广告中的应用 00 张乐 2016-07-24 数据分析 降维,是数据科学家的必由之路! 00 张乐 2022-03-18 行业资讯 HPE宣布收购MapR,进一步推动人工智能和数据分析应用 00 大数据精选 2019-08-10 行业资讯 2015年大数据行业的9大关键词 00 小胖 2016-01-12 人工智能 深度学习经验指南 00 AI公园 2019-09-11 人工智能 人工智能革命探秘 ? 上篇 00 AI前线 2016-03-31