preprocessor - 用于预处理的良好数据集

Question

我正在选修数据挖掘本科类(class)，并且收到了编写数据挖掘预处理器的作业。我可以自由选择编程语言和数据集。我想知道是否有人可以建议一个好的数据集来使用。我一直在经历UCI Repository我还发现了更多这样的资源。但作为初学者，我不确定哪个数据集是一个不错的选择。预处理器应该处理以下内容:

• 数据清理
  • 缺失值
  • 错误
  • 异常值
  • 标准化
  • 重复数据删除
• 数据缩减
  • 采样技术
  • 降维

选择数据集时应该考虑哪些属性？您有什么建议的具体数据集吗？

Answer 1

你回答了你自己的问题。选择具有您提到的属性的数据集列表，因为 UCI 存储库已对数据集进行了分类。您可以选择任何人来开始玩它。

因此，首先，如果我是你，我会逐步进行，了解每个数据集的外观及其对分类器性能的影响，并选择一些流行数据集，因为它们在大多数研究论文中用作基准数据集。您列出的许多问题都是单独的机器学习问题，并且正在进行大量研究。

我会从这样的事情开始:
缺失值:虹膜、投票、心脏病
对于重复:921,810 首歌曲数据集(我认为不是来自 UCI)
标准化:具有不同特征范围的任何连续值数据集
采样技术:皮马
降维:瑞士卷

此外，查找数据集的另一种最佳方法是引用一些相应的出版物。例如，对于降维，您可以查看PCA，ISOMAP等论文，对于采样，请参见SMOTE论文等，看看他们的实验使用什么类型的数据并进行相应操作。