Какие хорошие наборы данных для изучения основных алгоритмов машинного обучения и почему?

Я новичок в машинном обучении и ищу некоторые наборы данных, с помощью которых я могу сравнить и сравнить различия между различными алгоритмами машинного обучения (Деревья решений, Повышение, SVM и Нейронные сети)

Где я могу найти такие наборы данных? Что я должен искать при рассмотрении набора данных?

Было бы здорово, если бы вы могли указать на некоторые хорошие наборы данных, а также сказать мне, что делает их хорошим набором данных?

Наборы данных на следующих сайтах доступны бесплатно. Эти наборы данных использовались для обучения студентов алгоритмам ML, потому что для большинства из них есть описания с наборами данных. Также было упомянуто, какие алгоритмы применимы.

1. UCI - хранилище машинного обучения
2. ML Comp
3. Mammo Image
4. Мулан

Kaggle имеет целый ряд наборов данных, с которыми вы можете практиковаться.

(Я удивлен, что это не было упомянуто до сих пор!)

У него есть две вещи (среди многих других), которые делают его чрезвычайно ценным ресурсом:

• Много чистых наборов данных. Хотя наборы данных без помех на самом деле не являются репрезентативными для реальных наборов данных, они особенно подходят для вашей цели - развертывания алгоритмов ML.
• Вы также можете просмотреть модели ML других пользователей для того же набора данных, что может быть интересным способом подобрать некоторые хаки по пути. Само собой разумеется, что вид, который вы получаете от обучения у лучших практиков, как и во всем остальном, очень полезен.

Во-первых, я бы порекомендовал начать с примера данных, которые предоставляются с программным обеспечением. Большинство дистрибутивов программного обеспечения включают примеры данных, которые вы можете использовать для ознакомления с алгоритмом, не имея дело с типами данных и переводя данные в правильный формат для алгоритма. Даже если вы строите алгоритм с нуля, вы можете начать с примера из аналогичной реализации и сравнить производительность.

Во-вторых, я бы порекомендовал поэкспериментировать с синтетическими наборами данных, чтобы понять, как работает алгоритм, когда вы знаете, как были сгенерированы данные, и отношение сигнал / шум.

В R вы можете перечислить все наборы данных в установленных пакетах с помощью этой команды:

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

Пакет R mlbench имеет реальные наборы данных и может генерировать синтетические наборы данных, которые полезны для изучения производительности алгоритма.

Python scikit-learn имеет примеры данных и также генерирует синтетический / игрушечный набор данных.

SAS имеет доступный для загрузки набор обучающих данных, а пример данных SPSS устанавливается вместе с программным обеспечением по адресу C: \ Program Files \ IBM \ SPSS \ Statistics \ 22 \ Samples

Наконец, я бы посмотрел на данные в дикой природе. Я бы сравнил производительность различных алгоритмов и параметров настройки на реальных наборах данных. Обычно это требует гораздо больше работы, потому что вы редко найдете набор данных с типами данных и структурами, которые вы можете вставить в свои алгоритмы.

Для данных в дикой природе, я бы порекомендовал:

Архив данных Reddit

Список KDnugget

Набор данных радужной оболочки руки вниз. Это также в базе R.

На мой взгляд, вы должны начать с небольших наборов данных, которые не имеют слишком много функций.

Одним из примеров будет набор данных Iris (для классификации). Он имеет 3 класса, 50 образцов для каждого класса, всего 150 точек данных. Одним из отличных ресурсов, который поможет вам изучить этот набор данных, является серия видео от Data School.

Другой набор данных для извлечения - это набор данных Wine Quality из хранилища UCI -ML. Имеет 4898 точек данных с 12 атрибутами.