Datasets
Datasets
数据集： Scikit-learn、Kaggle、UCI 、COCO
Project Gutenberg
Project Gutenberg is a library of over 70,000 free eBooks。
例如下载查尔斯·狄更斯的小说《圣诞颂歌》：
curl https://www.gutenberg.org/cache/epub/24022/pg24022.txt > ./ragtest/input/book.txt
电子书资源
使用"datasets"库访问Hugging Face的数据集库（代码01）
{'instruction': 'Give three tips for staying healthy.', 'input': '', 'output': '1.Eat a balanced diet and make sure to include plenty of fruits and vegetables. 2. Exercise regularly to keep your body active and strong. 3. Get enough sleep and maintain a consistent sleep schedule.', 'text': 'Below is an instruction that describes a task. Write a response that appropriately completes the request. ### Instruction: Give three tips for staying healthy. ### Response: 1.Eat a balanced diet and make sure to include plenty of fruits and vegetables. 2. Exercise regularly to keep your body active and strong. 3. Get enough sleep and maintain a consistent sleep schedule.'}
Iris
Iris数据集，也成为“鸢尾花卉数据集”，是一类多重变量分析、并常用于分类实验的数据集，由Fisher于1936年收集整理。Iris数据集包含了150行数据，包括三种鸢尾花种类（山鸢尾、虹膜锦葵、变色鸢尾）各50各样品。
鸢尾花数据集包含四个特征和一个目标值。这四个特征确定了单株鸢尾花的下列植物学特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度
从左到右：山鸢尾（提供者：Radomil，依据 CC BY-SA 3.0 使用）、变色鸢尾（提供者：Dlanglois，依据 CC BY-SA 3.0 使用）和维吉尼亚鸢尾（提供者：Frank Mayfield，依据 CC BY-SA 2.0 使用）。
示例处理程序：Datasets_Iris | XGBoost
Breast Cancer Wisconsin (Diagnostic) Data Set
数据：UCI |
示例处理程序: KNN+DicisionTree | XBGoost |
from sklearn.datasets import load_breast_cancer
data = load_breast_cancer()
print("威斯康星州乳腺癌(诊断)数据集：
", data)
print("数据集为：
", data.data.shape)
print("数据的目标值：
", data.target_names)
# ['malignant' 'benign']
print("数据集的描述：
", data.DESCR)
皮马族印第安人糖尿病（Pima Indians diabetes）数据集
皮马人，是美洲土著,很多居于美国亚利桑那州。皮马族印第安人70%都达到美国疾控中心的肥胖标准，患有世界上最高比例的2型糖尿病，据说其病因主要是由于他们的基因造成的。但是，与其共享一个非常类似的基因的，居住在墨西哥的马德雷山脉地区的皮马印第安人，则与他们的美国亲戚相反，墨西哥这边的皮马人，糖尿病和肥胖发病率都非常低。
众所周知，年龄是糖尿病的另一个风险因素，在相关研究中，55岁以上的皮马族老年人的情况是：在墨西哥，该人群的糖尿病发病率仅为8.3%，而在美国的亚利桑那州，发病率达到了惊人的82.2%。这些基因完全相同而发病率迥然不同的现象，主要差别在于饮食和体力活动。墨西哥的皮马人每天消耗的能量是亚利桑那皮马人的五倍之多。亚利桑那皮马人的饮食都是高脂肪，有些人称之为“现代美国饮食”。而在墨西哥，其传统饮食则为低脂肪、高碳水化合物，主要由豆类、土豆类以及由小麦面和玉米面做的薄饼。对这些皮马印第安人来说，基因并非命运的主宰。
1、该数据集最初来自国家糖尿病/消化/肾脏疾病研究所。数据集的目标是基于数据集中包含的某些诊断测量来诊断性的预测 患者是否患有糖尿病。
2、从较大的数据库中选择这些实例有几个约束条件。尤其是，这里的所有患者都是Pima印第安至少21岁的女性。
3、数据集由多个医学预测变量和一个目标变量组成Outcome。预测变量包括患者的怀孕次数、BMI、胰岛素水平、年龄等。
4、数据集的内容是皮马人的医疗记录，以及过去5年内是否有糖尿病。所有的数据都是数字，问题是（是否有糖尿病是1或0），是二分类问题。数据有8个属性，1个类别：
数据特征值名称：
1、Pregnancies：怀孕次数
2、Glucose：葡萄糖
3、BloodPressure：血压 (mm Hg)
4、SkinThickness：皮层厚度 (mm)
5、Insulin：胰岛素 2小时血清胰岛素（mu U / ml
6、BMI：体重指数 （体重/身高）^2
7、DiabetesPedigreeFunction：糖尿病谱系功能
8、Age：年龄 （岁）
9、Outcome：类标变量 （0或1）
数据: pima-indians-diabetes.csv | pima-indians-diabetes_names.csv
示例程序：XGBoost | 混淆矩阵分析
Pascal VOC 2007数据集分析
参考资料：