数据集(Data set),又称为资料集、数据集合或资料集合,是一种由数据所组成的集合。它通常以表格形式出现,其中每一列代表一个特定变量,每一行对应于某一成员的数据集的问题。数据集列出的价值观为每一个变量,如身高和体重的一个物体或价值的随机数,每个数值被称为数据资料。对应于行数,该数据集的数据可能包括一个或多个成员。
数据集的类型有多种,包括记录数据、事务数据或购物篮数据、数据矩阵、稀疏数据矩阵、基于图形的数据、有序的数据(如时序数据、序列数据、时间序列数据、空间数据)等。数据集还可以分为类型化数据集与非类型化数据集。类型化数据集先从基DataSet类派生,然后使用XML架构文件(.xsd文件)中的信息生成新类;而非类型化数据集没有相应的内置架构,需要通过Tables集合引用列。
数据集在计算机视觉、自然语言处理、医疗、金融、交通等领域都有广泛的应用。一个高质量的数据集应该具有准确的标签和干净的数据。例如,在计算机视觉领域,通过大规模的图像数据集,计算机视觉算法可以学习到图像的特征和语义信息,实现图像分类、目标检测、人脸识别等任务。在自然语言处理领域,通过大规模的文本数据集,自然语言处理算法可以学习到语言的语法和语义规律,实现文本分类、情感分析、机器翻译等任务。