写在前面

在机器学习领域，训练和测试数据是很普遍的操作。尤其是在机器学习领域的晚辈：人工智能领域，训练和测试数据尤其重要，并且它还要求数据量要大。如果开发了一个新的模型（例如分类模型），那么自然就想知道该新模型表现如何。这时就需要一些基准数据集（benchmark data）来训练和测试。今天就推荐一个机器学习领域的标准数据集资源库UCI（https://archive-beta.ics.uci.edu/）。

01

—

UCI资源库

UCI资源库创立于1987年，已经有34年的历史了。最早的时候，UCI资源库仅供学校内部的老师和学生使用。目前，UCI资源库（如图1）里面收集了591个基准数据集，公开给所有研究者。在机器学习领域，大家都比较认可该资源库。所以大家可放心将其作为基准数据集来进行算法测试与研究。

图1 UCI资源库主页

02

—

UCI资源库数据类型

UCI资源库数据类型有列表、序列、时间序列、文本、图像和其他。研究领域包括商业、计算机科学、工程、法律、生命科学、物理科学、社会科学、游戏和其他。研究任务有分类、回归、聚类和其他。属性个数普遍小于100个，样本大小普遍大于1000个。

后话

UCI资源库的数据类型和研究领域比较综合，被很多文献所引用。尤其是其数据格式与机器学习开源软件Weka（https://www.cs.waikato.ac.nz/ml/weka/）无缝对接。其他专业的数据资源库有Kaggle（https://www.kaggle.com/）和KDnuggets（https://www.kdnuggets.com/）等，当然，每年数据挖掘和知识发现领域的国际顶会（如ACM SIGKDD）也经常会释放出基准数据集。

以往推荐：

1. 代码收留站推荐一波！

2. 文献管理器推荐一波！

3. 生信书籍推荐一波！

4. 生信微信公众号推荐一波！

5. 韦恩图在线软件推荐一波！

6. 专利数据库推荐一波！

7. 文献订阅App只推荐一个！

8. SCI专刊推荐一个