CDA數(shù)據(jù)分析師 出品

作者：Andrew Lombarti

編譯：Mika

Kaggle 是一個(gè)很流行的數(shù)據(jù)科學(xué)競賽平臺(tái)。在上面，你不僅可以參加各種數(shù)據(jù)分析題競賽，還可以通過各行業(yè)的真實(shí)數(shù)據(jù)集來實(shí)踐自己的技能。

在本文中我們將介紹 10 個(gè)數(shù)據(jù)集，從適合新手小白到高級進(jìn)階人群的都有。這些數(shù)據(jù)集非常有趣，而且還很適合在面試前練習(xí)技能。

下面讓我們一起來看看吧！

01、泰坦尼克號數(shù)據(jù)集（初級）

泰坦尼克號數(shù)據(jù)集是 Kaggle 上最熱門的數(shù)據(jù)集之一。這是一個(gè)很好的入門數(shù)據(jù)集，當(dāng)中涉及到 13 個(gè)變量和超過 1500 個(gè)記錄。該數(shù)據(jù)集中包含了乘坐泰坦尼克號的乘客信息。

目標(biāo)是根據(jù)乘客的特征來預(yù)測他們是否能幸存下來。根據(jù)數(shù)據(jù)集，你可以看到已婚女性比單身男性有更高的存活概率。

該數(shù)據(jù)集中的變量有：

年齡
性別
已婚或單身
船票等級（一等、二等、三等）
上船地點(diǎn)（倫敦、南安普敦）
乘客票號
……
關(guān)于如何處理這個(gè)數(shù)據(jù)集，網(wǎng)上已經(jīng)有很多教程了。如果你想挑戰(zhàn)一下自己，不妨試著預(yù)測乘客在不同地點(diǎn)登船的存活率。

泰坦尼克號數(shù)據(jù)集鏈接：

https://www.kaggle.com/c/titanic

02、鳶尾花數(shù)據(jù)集（初級）

這個(gè)數(shù)據(jù)集是一個(gè)經(jīng)典的二進(jìn)制分類問題。目的是通過花萼長度，花萼寬度等屬性預(yù)測鳶尾花屬于（Setosa(山鳶尾)，Versicolour(雜色鳶尾)，Virginica(維吉尼亞鳶尾)）三個(gè)種類中的哪一類。

例如，山鳶尾的花瓣較短，萼片較寬。假如花瓣長度大于 3 厘米，萼片小于 6 厘米，那么這種花很可能屬于山鳶尾。

此數(shù)據(jù)集中的變量如下：

花瓣長度
萼片寬度
花瓣長度
……
同樣有許多可用于處理該數(shù)據(jù)集的教程。其中最流行的是“在鳶尾花數(shù)據(jù)集上使用Scikit-learn”。對于初學(xué)者來說，這是一個(gè)非常好的教程，當(dāng)中因展示了如何使用Scikit-learn ，還具有預(yù)構(gòu)建的功能，能幫你輕松地訓(xùn)練模型。

鳶尾花數(shù)據(jù)集鏈接：

https://www.kaggle.com/uciml/iris

03、列車數(shù)據(jù)集（初級）

列車數(shù)據(jù)集也是 Kaggle 上很熱門的一個(gè)數(shù)據(jù)集。該數(shù)據(jù)集包含了乘坐往返于波士頓和華盛頓特區(qū)的美鐵列車上的乘客信息。

目的是預(yù)測乘客是否會(huì)在某站下車。根據(jù)數(shù)據(jù)集，可以看到在巴爾的摩下車的乘客比在費(fèi)城下車的乘客下車的概率更高。

數(shù)據(jù)集中的變量如下：

年齡
軌道類型（公路、貨運(yùn)）
周末或節(jié)假日
……
根據(jù)這些變量，有多種方法可以預(yù)測某人是否會(huì)在某站下車。

列車數(shù)據(jù)集鏈接：

https://www.kaggle.com/c/train-occupancy-prediction/data

04、波士頓住房數(shù)據(jù)集（初級）

波士頓住房數(shù)據(jù)集包含波士頓市住房的信息。當(dāng)中有超過 20 萬條記錄和 18 個(gè)變量，目標(biāo)是預(yù)測房價(jià)是否昂貴。數(shù)據(jù)集有三個(gè)不同的類別，分別是：昂貴、正常以及便宜。

當(dāng)中的變量包括：

臥室數(shù)量
浴室數(shù)量
平均房間數(shù)
……
如果你對數(shù)據(jù)科學(xué)領(lǐng)域感興趣，這個(gè)數(shù)據(jù)集是一個(gè)很好的嘗試。內(nèi)容有趣而且不是太難。

波士頓住房數(shù)據(jù)集鏈接：

https://www.kaggle.com/c/boston-housing

05、酒精與藥物關(guān)系（中級）

酒精和藥物關(guān)系數(shù)據(jù)集是練習(xí)數(shù)據(jù)可視化技能的絕佳數(shù)據(jù)集。它包含關(guān)于不同藥物之間相互作用的信息。

該數(shù)據(jù)集的目標(biāo)是根據(jù)兩種藥物的化學(xué)結(jié)構(gòu)，從而預(yù)測它們是否會(huì)相互作用。例如，數(shù)據(jù)集中表示布洛芬和撲熱息痛可以相互作用，因?yàn)樗鼈兌际强寡姿帲∟SAIDs）。

數(shù)據(jù)集中的變量包括：

藥物 A 結(jié)構(gòu)（化合物）
藥物 B 結(jié)構(gòu)（化合物）
藥物 A 和 B 活性（是/否）
……
這是一個(gè)很好的數(shù)據(jù)集，可以用來練習(xí)數(shù)據(jù)可視化技能。你可以在當(dāng)中試著創(chuàng)建圖表，顯示不同藥物之間的相互作用。

酒精與藥物數(shù)據(jù)集鏈接：

https://www.kaggle.com/jessicali9530/kuc-hackathon-winter-2018

06、威斯康辛州乳腺癌（中級）

對于那些在數(shù)據(jù)科學(xué)方面比較有經(jīng)驗(yàn)的人來說，威斯康星州乳腺癌數(shù)據(jù)集是一個(gè)很大的挑戰(zhàn)。這個(gè)數(shù)據(jù)集包含了威斯康星州的乳腺癌患者的信息。

該數(shù)據(jù)集的目標(biāo)是根據(jù)病人的特征來預(yù)測是否患有癌癥。

例如，你可以從數(shù)據(jù)集中看到，腫瘤大小若小于 0.50 厘米，患者有 98% 的生存機(jī)會(huì)，而腫瘤大小大于或等于 0.80 厘米，患者只有15%的生存機(jī)會(huì)。

數(shù)據(jù)集中的變量有：

腫瘤大小
腫瘤的等級
影響到的淋巴結(jié)
……
網(wǎng)上有一些關(guān)于如何處理這個(gè)數(shù)據(jù)集的教程。如果你想挑戰(zhàn)下自己，可以嘗試預(yù)測不同腫瘤大小的生存率。

威斯康星州乳腺癌數(shù)據(jù)集鏈接：

https://www.kaggle.com/uciml/breast-cancer-wisconsin-data

07、印第安人糖尿?。ㄖ屑?

這個(gè)數(shù)據(jù)集是關(guān)于預(yù)測糖尿病的。這個(gè)比賽有超過 15 萬個(gè)例子，你需要預(yù)測病人是否會(huì)患糖尿?。ǘ诸悾?。

變量相當(dāng)簡單，因?yàn)橹挥幸粋€(gè)特征：

糖尿病
這項(xiàng)挑戰(zhàn)的目標(biāo)是預(yù)測病人在五年內(nèi)是否會(huì)發(fā)展成糖尿病。這是練習(xí)二元分類問題技能的好方法。

印第安人糖尿病數(shù)據(jù)集鏈接：

https://www.kaggle.com/uciml/pima-indians-diabetes-database

08、亞馬遜評論數(shù)據(jù)集（中級）

亞馬遜評論數(shù)據(jù)集很適合練習(xí)文本分析。當(dāng)中包含了對亞馬遜網(wǎng)站上產(chǎn)品的評論。

這個(gè)數(shù)據(jù)集很有趣，當(dāng)中有正面和負(fù)面評論，數(shù)據(jù)集的目標(biāo)是預(yù)測評論是正面還是負(fù)面的。

變量有：

評論文本（一個(gè)字符串）
關(guān)于如何處理這個(gè)數(shù)據(jù)集，也有很多教程。如果想加大難度，你可以嘗試預(yù)測情感分析，然后在此基礎(chǔ)上建立模型。

亞馬遜評論數(shù)據(jù)集鏈接：

https://www.kaggle.com/bittlingmayer/amazonreviews

09、MNIST手寫數(shù)字圖像識(shí)別(高級)

該數(shù)據(jù)集包含了很多手寫體數(shù)字圖像，當(dāng)中由大小為 28x28 像素的圖像組成，有 6 萬個(gè)訓(xùn)練實(shí)例和 1 萬個(gè)測試實(shí)例。

該數(shù)據(jù)集的目標(biāo)是對訓(xùn)練集和測試集中的所有數(shù)字進(jìn)行正確分類。對于這種類型的問題，通常要使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）。

網(wǎng)上有很多關(guān)于如何處理這類問題的教程，所以我建議你先從基礎(chǔ)知識(shí)開始，然后再繼續(xù)學(xué)習(xí)更高級的方法。

MNIST手寫數(shù)字?jǐn)?shù)據(jù)集鏈接：

https://www.kaggle.com/c/digit-recognizer

10、CIFAR-100(高級)

CIFAR-100 數(shù)據(jù)集非常適合練習(xí)機(jī)器學(xué)習(xí)的技能。該數(shù)據(jù)集包含了 100 張物體的圖像，分為六個(gè)類別：飛機(jī)、汽車、貓、鹿、狗和船。每張圖片是 32x32 像素，有三個(gè)顏色通道（紅、綠、藍(lán)）。

該數(shù)據(jù)的目標(biāo)是預(yù)測每張圖片屬于這六類中的哪一類。

數(shù)據(jù)集中的變量有：

像素
紅色通道
綠色通道
藍(lán)色通道
……
有很多關(guān)于如何應(yīng)對這一挑戰(zhàn)的教程。想加大難度的話，嘗試預(yù)測以某種方式扭曲或變換的圖像標(biāo)簽。

CIFAR-100 數(shù)據(jù)集鏈接：

https://www.kaggle.com/fedesoriano/cifar100

結(jié)語：

本文中列出的 10 個(gè)數(shù)據(jù)集能很好地磨練你的數(shù)據(jù)分析技能。如果你是剛剛?cè)腴T，可以先試著做一些比較簡單的數(shù)據(jù)集，由淺到難，不斷深入進(jìn)階。

參考鏈接：

https://towardsdatascience.com/10-datasets-from-kaggle-you-should-practice-on-to-improve-your-data-science-skills-6d671996177

完 謝謝觀看