2-1 Intro. to Datasets

[english][all]

(請注意：中文版本並未隨英文版本同步更新！)

Slides

在本書以下的介紹中，將會引用到幾組資料集（Data Set），以便介紹 DC & PR 的概念，同時也用這些現實世界的資料集來檢測先關演算法的效能。本章所介紹的資料集包含

• Iris 資料集
• Wine 資料集
• Abalone 資料集

事實上，這些資料集都是來自於 UCI Machine Learning Repository，網址是 http://www.ics.uci.edu/~mlearn/MLRepository.html 此網站稱為「UCI Machine Learning Repository」，是來自於美國加州大學爾灣分校（University of California at Irvine）的資訊電腦學院（Donald Bren School of Information and Computer Science），這個網站收集了各式各樣的資料，並加以整理說明，以便各個研究學者可以使用各種樣式辨認或是機器學習的方法，來對這些資料進行分類，並比較所得的結果。

為了便於 MATLAB 程式碼的設計，本書將一個資料集用一個結構變數來表示（通常變數名稱是 DS，代表 data set），說明如下：

• DS: 用來儲存資料集的結構變數
• DS.input: 資料集的輸入部分，或稱為此資料集的特徵（Features）。
• DS.output: 資料集的輸出部分，通常也是我們要預測的數值或是類別。
• DS.dataName: 一個字串，代表此資料集的名稱。
• DS.inputName: 一個存放字串的異值陣列，代表此資料集每一個輸入的名稱
• DS.outputName: 一個存放字串的異值陣列，代表此資料集的所有可能類別的名稱

我們寫了一個函式 prData.m，來傳回常用的這三個資料集。例如，若要讀入常用的 Iris 資料集，我們可以輸入如下：

Example 1: irisDataSet01.m

DS = prData('iris') DS = dataName: 'iris' inputName: {'sepal length' 'sepal width' 'petal length' 'petal width'} outputName: {'Setosa' 'Versicolour' 'Virginica'} input: [4x150 double] output: [1x150 double]

從上述範例可得知：

1. DS.dataName 是 iris，代表此資料集的名稱。
2. DS.inputName 含有四個字串，分別代表四個輸入變數（或是特徵）的名稱。
3. DS.input 代表輸入部分，維度是 4x150，每一個直行代表一筆資料，因此本範例共有 150 筆資料，每一筆資料的輸入部分的維度是 4。
4. DS.output 代表每一筆資料的類別，維度是 1x150，共有三種類別，分別使用 1, 2, 3 來代表。

根據所給的資料集，我們也準備了幾個函式來進行資料的簡單分析與呈現，列表如下：

• classDataCount(DS)：計算每一個類別的資料量。
• dsProjPlot1(DS)：將資料投影到一度空間，來觀察類別對特徵的分佈。
• dsProjPlot2(DS)：將資料投影到二度空間，來觀察類別對特徵的分佈。
• dsProjPlot3(DS)：將資料投影到三度空間，來觀察類別對特徵的分佈。
• dsFeatureVsIndexPlot(DS)：進行特徵對資料索引的作圖。

有關上述函式的使用，以及常用資料集的說明，請見本章後續相關小節。

---

Data Clustering and Pattern Recognition (資料分群與樣式辨認)