首页 » 机器学习实战 » 机器学习实战全文在线阅读

《机器学习实战》附录D 资源

关灯直达底部

数据收集是件非常有趣的事情,但当你对某算法灵感涌来并试图做一些实验的时候,临时找数据也是件很头疼的事情。本附录提供了一些可用数据集的超链接。这些数据集的大小从20行到万亿行不等,从中找到所需数据应该不是一件难事:  

  • http://archive.ics.uci.edu/ml/——最有名的机器学习数据资源来自美国加州大学欧文分校。虽然本书仅使用了这其中的不到10个数据集,但该数据库已经提供了200多个可用的数据集。其中很多数据常被用来比较算法的性能,基于这些资源,研究人员可以得到相对客观的性能比较结果。

  • http://aws.amazon.com/publicdatasets/——如果你是一个大数据的爱好者,这个链接尤其不能错过。Amazon拥有真正的“大”数据,包括美国人口普查数据、人类基因组注释的数据、一个150GB的日志(维基百科的页面流量)和一个500 GB的数据库(维基百科的链接数据)。

  • http://www.data.gov——Data.gov启动于2009年,目的是使公众可以更加方便地访问政府的数据。一旦政府的某份数据可以公开,他们就将该数据发布。到2010年,该网站就已经拥有了250,000个数据集。但网站还能活跃多久尚未可知,因为2011年的时候联邦政府减少了对电子政府(ElectronicGovernment Fund,该网站的资金来源)的基金支持。该网站提供的数据主要包含一些被召回的产品和破产的银行信息等。

  • http://www.data.gov/opendatasites——Data.gov还维持了一个包括美国州、城市和国家等网站在内的超链接列表,它们都提供类似的开放数据。

  • http://www.infochimps.com/——Infochimps是一个公司,公司目标是让每个人可以访问世界上所有的数据集,目前它已开放了14,000多个数据集的下载。与本列表中的其他站点不同,Infochimps的其中一些数据集是需要购买的。当然,你也可以在该网站上出售自己的数据集。

  • http://www.datawrangling.com/some-datasets-available-on-the-web——Data Wrangling是一个私人的博客,提供了网络上大量数据集的链接。虽然许久没有更新,但其中很多数据集仍相当不错。

  • http://metaoptimize.com/qa/questions/——该站点并不提供数据资源,而是一个问答系统的站点,重点关注于机器学习。在这里有很多高手乐意伸出援手、帮助解答问题。