大数据学习之资源干货：机器学习高质量数据集大集合

本文转载自科多大数据

在机器学习中，寻找数据集也是非常重要的一步。质量高或者相关性高的数据集对模型的训练是非常有帮助的。

那么用于机器学习的开放数据集有哪些呢？文摘菌给大家推荐一份高质量的数据集，这些数据集或者涵盖范围广泛（比如 Kaggle），或者非常细化（比如自动驾驶汽车的数据）。

首先，在搜索数据集时，在卡内基·梅隆大学有以下说法：

• 数据集不应混乱，因为你不希望花费大量时间清理数据。
• 数据集不应该有太多行或列，因此很容易使用。
• 数据越干净越好 —— 清洗大型数据集相当耗时。
• 数据可以解答一些有趣的问题。

数据集查找器

Kaggle：Kaggle是由联合创始人、首席执行官安东尼·高德布卢姆（Anthony Goldbloom）2010年在墨尔本创立的，主要为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台。该平台已经吸引了80万名数据科学家的关注。

在这个平台中可以找到各种数据，从拉面的评分、篮球数据，到西雅图的宠物牌照应有尽有。

https://www.kaggle.com/

UCI机器学习库（UCI Machine Learning Repository）：这是网络上最早的数据集来源之一，是寻找各种有趣数据集的第一选择。虽然用户提供的数据集的清洁度不太一样，但绝大多数都是干净的。我们可以从 UCI 机器学习库直接下载数据，无需注册。

http://mlr.cs.umass.edu/ml/

VisualData：在这里计算机视觉数据集按类别分组，并且支持搜索查询。

https://www.visualdata.io/

公共政府数据集

Data.gov：在这里可以下载到多个美国政府机构的数据。从政府预算到学校成绩。但要注意的是，很多数据还有待进一步研究。

https://www.data.gov/

食品环境地图集（Food Environment Atlas）：当地的食物选择如何影响美国饮食的数据。

https://catalog.data.gov/dataset/food-environment-atlas-f4a22

学校系统财务状况（School system finances）：这里有美国学校系统财务状况的调查。

https://catalog.data.gov/dataset/annual-survey-of-school-system-finances

慢性病数据（Chronic disease data）：美国各地慢性病指标的数据。

https://catalog.data.gov/dataset/u-s-chronic-disease-indicators-cdi-e50c9

美国国家教育统计中心（The US National Center for Education Statistics）：来自美国和世界各地的教育机构和教育人口统计数据。

https://nces.ed.gov/

英国数据服务：英国最大的社会、经济和人口数据收集机构。

https://www.