用于Weka实践的标准机器学习数据集

在机器学习入门和学习新工具时，拥有小而易懂的数据集是一个好主意。

Weka 机器学习工作台在其安装目录中提供了一个目录，其中包含小型、易于理解的数据集。

在这篇文章中，您将发现 Weka 随附的一些小型、易于理解的数据集，它们的详细信息以及在哪里可以了解更多关于它们的信息。

我们将重点介绍几个不同类型的数据集。阅读完这篇文章后，您将了解：

• 样本数据集的位置，或者如果您需要，可以重新下载它们的位置。
• 可用于探索分类和回归预测模型不同方面的特定标准数据集。
• 在哪里可以获取有关特定数据集和最先进结果的更多信息。

通过我的新书 Machine Learning Mastery With Weka 开启您的项目，其中包含分步教程和所有示例的清晰屏幕截图。

让我们开始吧。

Weka 实践中使用的标准机器学习数据集
照片由 Marvin Foushee 拍摄，保留部分权利。

标准 Weka 数据集

开源 Weka 机器学习工作台的安装包含一个 data/ 目录，其中充满了标准的机器学习问题。

Weka 安装目录

这在您开始机器学习或学习如何开始使用 Weka 平台时非常有用。它提供了标准机器学习数据集，用于常见的分类和回归问题，例如，下面是从该目录截取的快照。

Weka 安装目录中提供的数据集

所有数据集均为 Weka 原生的 ARFF 文件格式，可以直接加载到 Weka 中，这意味着您可以立即开始开发实践模型。

有些 Weka 的特殊发行版可能不包含 data/ 目录。如果您选择安装这些发行版之一，您可以 下载 Weka 的 .zip 发行版，解压缩它，然后将 data/ 目录复制到一个您可以从 Weka 轻松访问的位置。

data/ 目录中有许多数据集可供使用，在接下来的部分中，我将重点介绍几个可以用于练习和研究预测建模问题的数据集。

二元分类数据集

二元分类是指要预测的输出变量是名义变量，由两个类别组成。

这可能是研究得最多的预测建模问题类型，也是适合开始解决的问题类型。

data/ 目录中有三个标准的二元分类问题可以供您重点关注：

1. Pima 印第安人糖尿病发病率：(diabetes.arff) 每个实例代表一个患者的医疗详细信息，任务是预测患者在未来五年内是否会发生糖尿病。有 8 个数值输入变量，所有变量的尺度各不相同。 您可以了解有关此数据集的更多信息。 最高准确率约为 77%。
2. 乳腺癌：(breast-cancer.arff) 每个实例代表患者的医疗详细信息及其肿瘤组织样本，任务是预测患者是否患有乳腺癌。有 9 个名义输入变量。您可以在 UCI 机器学习仓库 中了解有关数据集的更多信息。 最高准确率约为 75%。
3. 电离层 (ionosphere.arff) 每个实例描述了来自大气的雷达回波的属性，任务是预测电离层中是否存在结构。有 34 个数值输入变量，通常尺度相同。您可以在 UCI 机器学习仓库 中了解有关此数据集的更多信息。 最高准确率约为 98%。

多类分类数据集

存在许多分类类型的问题，其中输出变量有三个以上的类别。这些称为多类分类问题。

在对二元分类有一定信心后，这是一个很好的问题类型来研究。

data/ 目录中有三个标准的​​多类分类问题可以供您重点关注：

1. 鸢尾花分类：(iris.arff) 每个实例描述了鸢尾花的测量值，任务是预测观测值属于哪三种鸢尾花之一。有 4 个数值输入变量，单位相同，尺度通常也相同。您可以在 UCI 机器学习仓库 中了解有关数据集的更多信息。最高准确率约为 96%。
2. 大豆数据库：(soybean.arff) 每个实例描述了大豆作物的一个属性，任务是预测作物患有的 19 种疾病中的哪一种。有 35 个名义输入变量。您可以在 UCI 机器学习仓库 中了解有关此数据集的更多信息。
3. 玻璃识别：(glass.arff) 每个实例描述了玻璃样本的化学成分，任务是从 7 个类别中预测玻璃的类型或用途。有 10 个数值属性，描述了玻璃的化学性质及其折射率。您可以在 UCI 机器学习仓库 中了解有关此数据集的更多信息。

回归数据集

回归问题是指必须预测实值输出的问题。

data/ 目录中的回归问题选择很少。回归是一类重要的预测建模问题。因此，我建议下载从 UCI 机器学习仓库收集的免费回归问题附加包。

它可以在 Weka 网页的 数据集页面 上找到，并且是列表中第一个叫做

• 一个包含 37 个回归问题的 jar 文件，来自各种来源 (datasets-numeric.jar)

这是一个 .jar 文件，是一种压缩的 Java 存档。您应该能够使用大多数现代解压程序将其解压缩。

如果您安装了 Java（您很可能需要它来使用 Weka），您也可以在下载 jar 的目录中使用以下命令在命令行上手动解压缩 .jar 文件。

解压缩文件将创建一个名为 numeric 的新目录，其中包含 37 个 ARFF 原生 Weka 格式的回归数据集。

numeric/ 目录中有三个回归数据集可供您重点关注：

1. Longley 经济数据集：(longley.arff) 每个实例描述了一个国家在给定年份的宏观经济特性，任务是预测就业人数（整数）。有 6 个数值输入变量，尺度各不相同。
2. 波士顿房价数据集：(housing.arff) 每个实例描述了波士顿郊区的特性，任务是预测房价（以千美元为单位）。有 13 个数值输入变量，尺度各不相同，描述了郊区的特性。您可以在 UCI 机器学习仓库 中了解有关此数据集的更多信息。
3. 哺乳动物睡眠数据集：(sleep.arff) 每个实例描述了不同哺乳动物的特性，任务是预测它们平均需要的总睡眠小时数。有 7 个数值输入变量，尺度和测量单位不同。

总结

在这篇文章中，您发现了 Weka 机器学习平台随附的标准机器学习数据集。

具体来说，你学到了：

• 可用于练习的三个流行的二元分类问题：diabetes、breast-cancer 和 ionosphere。
• 可用于练习的三个流行的多类分类问题：iris、soybean 和 glass。
• 可用于练习的三个流行的回归问题：longley、housing 和 sleep。

您对 Weka 中的标准机器学习数据集或本文有任何疑问吗？请在评论中提出您的问题，我会尽力回答。

探索无需代码的机器学习！

在几分钟内开发您自己的模型

...只需几次点击

在我的新电子书中探索如何实现
使用 Weka 精通机器学习

涵盖自学教程和端到端项目，例如
加载数据、可视化、构建模型、调优等等...

最终将机器学习应用到你自己的项目中

跳过学术理论。只看结果。

查看内容