使用 UCI 机器学习库的数据集进行机器学习实践

在哪里可以找到好的数据集来练习机器学习？

这些数据集是真实的，因此它们既有趣又相关，同时又足够小，可以在Excel中查看并在桌面上进行处理。

在这篇文章中，您将发现一个高质量、真实世界且易于理解的机器学习数据集数据库，您可以使用它来练习应用机器学习。

这个数据库被称为UCI机器学习库，您可以利用它来构建自学计划，并为机器学习打下坚实的基础。

实践、实践、再实践
图片由Phil Roeder拍摄，保留部分权利。

为什么我们需要练习数据集？

如果您有兴趣练习应用机器学习，那么您需要数据集来实践。

这个问题可能会让你止步不前。

• 您应该使用哪个数据集？
• 您应该自己收集数据还是使用现成的数据？
• 哪一个，为什么？

我教授一种自上而下的机器学习方法，我鼓励您学习一个端到端解决问题的过程，将该过程映射到工具上，并有针对性地在数据上实践该过程。欲了解更多信息，请参阅我的文章“面向程序员的机器学习：从开发人员到机器学习实践者”。

那么如何有针对性地练习呢？

我教授的最佳入门方法是在具有特定特征的数据集上进行练习。

我建议您选择在解决自身问题时会遇到并需要处理的特征，例如：

• 不同类型的监督学习，如分类和回归。
• 不同大小的数据集，从几十个、几百个、几千个到几百万个实例。
• 不同数量的属性，从不到十个、几十个、几百个到几千个属性。
• 不同属性类型，包括实数、整数、类别、序数和混合类型。
• 不同的领域，这会迫使您快速理解和描述一个您以前没有经验的新问题。

通过设计一个测试问题数据集程序，您可以创建一个要研究和学习的特征以及解决这些问题所需的算法的程序。

这样的程序有许多实际要求，例如：

• 真实世界：数据集应来源于真实世界（而不是人为设计的）。这将使它们保持趣味性，并引入真实数据带来的挑战。
• 小规模：数据集需要小规模，以便您可以检查和理解它们，并且可以快速运行许多模型以加速您的学习周期。
• 充分理解：应该清楚地了解数据包含什么、为什么收集数据以及需要解决的问题是什么，以便您可以构建您的调查。
• 基线：了解哪些算法表现良好以及它们取得的得分也很重要，这样您就可以有一个有用的比较点。这在您刚开始学习时很重要，因为您需要快速反馈您的表现如何（接近最新水平还是存在问题）。
• 丰富：您需要许多数据集可供选择，既能满足您希望调查的特征，又能（如果可能）满足您的好奇心和兴趣。

对于初学者来说，UCI机器学习库提供了您所需的一切以及更多的练习数据集。

什么是UCI机器学习库？

UCI 机器学习库是一个您可以免费访问的机器学习问题数据库。

它由加州大学欧文分校的机器学习与智能系统中心托管和维护。它最初由加州大学欧文分校的研究生David Aha创建。

25年多来，它一直是机器学习研究人员和需要数据集的机器学习实践者的首选之地。

UCI 机器学习存储库

每个数据集都有自己的网页，列出了所有已知详情，包括任何相关的研究出版物。数据集本身可以下载为ASCII文件，通常是常用的CSV格式。

例如，这里是鲍鱼数据集的网页，该数据集需要根据鲍鱼的身体测量数据预测其年龄。

资源库的优势

该库的一些优点包括：

• 几乎所有数据集都来源于实际领域（而不是合成的），这意味着它们具有真实世界的特性。
• 数据集涵盖了从生物学到粒子物理学等广泛的主题。
• 数据集的详细信息按属性类型、实例数量、属性数量和发布年份等方面进行汇总，可以进行排序和搜索。
• 数据集经过充分研究，这意味着它们在有趣的特性和预期的“良好”结果方面广为人知。这可以提供有用的比较基线。
• 大多数数据集都比较小（数百到数千个实例），这意味着您可以轻松地将它们加载到文本编辑器或MS Excel中进行查看，也可以在您的工作站上快速对它们进行建模。

使用这个方便的表格浏览300多个数据集，支持排序和搜索。

资源库的批评

对该资源库的一些批评包括：

• 数据集经过清理，这意味着准备它们的 研究人员通常已经对属性和实例的选择进行了预处理。
• 数据集很小，如果您对研究大规模问题和技术感兴趣，这就不太有用。
• 可供选择的太多，您可能会因犹豫不决和过度分析而停滞不前。当您不确定某个数据集是否适合您正在研究的“好数据集”时，很难仅仅选择一个数据集并开始工作。
• 数据集仅限于表格数据，主要用于分类（尽管也列出了聚类和回归数据集）。这对于对自然语言、计算机视觉、推荐系统和其他数据感兴趣的人来说是有限制的。

请访问资源库主页，它会显示特色数据集、最新数据集以及目前最受欢迎的数据集。

一项自学计划

那么，如何才能最好地利用UCI机器学习库呢？

我建议您考虑您想了解的问题数据集中的特征。

这些特征可能是您想要建模的（如回归），或者是您想更熟练使用来建模这些特征的算法（如用于多类别分类的随机森林）。

一个示例程序可能如下所示：

• 二元分类：Pima印第安人糖尿病数据集（此处可用）
• 多类别分类：鸢尾花数据集
• 回归：葡萄酒质量数据集
• 分类属性：乳腺癌数据集
• 整数属性：计算机硬件数据集
• 分类成本函数：德国信用数据
• 缺失数据：马疝气数据集

这只是一个特征列表，您可以自行选择要研究的特征。

我为每个特征列出了一个数据集，但您可以选择2-3个不同的数据集，并完成一些小项目，以提高您的理解并进行更多练习。

对于每个问题，我建议您系统地端到端地处理它，例如，按照应用机器学习过程中的以下步骤进行：

1. 定义问题
2. 准备数据
3. 评估算法
4. 改进结果
5. 撰写结果

选择一个系统化且可重复的流程，你可以用它来持续地交付结果。

有关系统地解决机器学习问题的更多信息，请参阅我的文章“解决机器学习问题的过程”。

撰写是关键部分。

它允许您建立一个项目组合，您可以在未来的项目中将其作为参考并快速启动，还可以将其用作公开简历，展示您在应用机器学习方面不断增长的技能和能力。

有关构建项目组合的更多信息，请参阅我的文章“建立机器学习项目组合：完成小型重点项目并展示您的技能”。

但是，如果……

我不知道机器学习工具。
选择一个工具或平台（如Weka、R或scikit-learn），并使用此过程来学习该工具。同时兼顾机器学习实践和熟练掌握工具。

我不知道如何编程（或者编程水平不高）。
使用 Weka。它有一个图形用户界面，无需编程。我建议初学者使用它，无论他们是否会编程，因为处理机器学习问题的过程与该平台非常契合。

我没时间了。
拥有一个强大的系统化流程和一个涵盖整个流程的良好工具，我认为您可以在一到两个小时内解决一个问题。这意味着您可以在一个晚上或两个晚上完成一个项目。

您可以选择要调查的详细程度，并且在刚开始时保持轻松和简单是一个好主意。

我没有我正在建模的领域的背景知识。
数据集页面提供了一些关于数据集的背景信息。通常，您可以通过查看出版物或主数据集附带的信息文件来深入了解。

我几乎没有处理机器学习问题的经验。
现在是您开始的时候了。选择一个系统化流程，选择一个简单的数据集和一个像Weka这样的工具，然后解决您的第一个问题。为您的机器学习基础打下第一块基石。

我没有数据分析经验。
无需数据分析经验。这些数据集简单、易懂且解释充分。您只需通过数据集主页和查看数据文件本身来阅读它们。

行动步骤

选择一个数据集并开始吧。

如果您认真对待自学，请考虑设计一份适度的特征列表和相应的要调查的数据集。

您将学到很多东西，并为深入研究更复杂和有趣的问题打下宝贵的基础。

您觉得这篇文章有用吗？请留言告诉我。