5 个章节、25 条规范，全方位 Get 数据集选择与创建的「百科全书」

作者 | xixi

审校 | 三羊

本文首发自 HyperAI 超神经微信公众平台~

一个高质量的数据集不仅可以提高模型的准确率和运行效率，还可以节省训练时间和算力资源。

本篇文章中，我们参考 Jan Marcel Kezmann 的文章「The Dos and Don’ts of Dataset Selection for Machine Learning You Have to Be Aware of」，对创建和选择数据集的方式方法进行了详细说明，希望帮助各位数据科学工程师避免陷阱、践行模型训练的最佳实践，一起来看看都有哪些 Tips 吧~

阅读英文原文：

https://medium.com/mlearning-ai/the-dos-and-donts-of-dataset-selection-for-machine-learning-you-have-to-be-aware-of-8b14513d94a

目录

1. 选择数据集的最佳实践

2. 注意规避的陷阱

3. 5 个 Tips

4. 创建数据集的最佳实践

5. 数据集评估

适用人群：

初学者，数据科学家，机器学习相关从业者

1. 选择数据集的最佳实践

这部分将深入探讨选择公开数据集的最佳实践，需要牢记以下 6 个关键步骤：

 1.1 理解问题 

理解要解决的问题非常重要，包括确定输入和输出变量、问题类型（分类、回归、聚类等）以及性能指标。

1.2 定义问题 

通过指定行业或领域、需要的数据类型（文本、图像、音频等）以及数据集相关的限制条件，从而缩小数据集的范围。

1.3 关注质量 

寻找可靠、准确且与问题相关的数据集。检查缺失数据、异常值和不一致性，因为这些问题可能会对模型的性能产生负面影响。

1.4 考虑数据集大小 

数据集的大小会影响模型的准确性和泛化能力。较大的数据集虽然有助于提高模型的准确性和稳健性，但也意味着更多的计算资源和更长的训练时间。

1.5 检查Bias 

数据集中的 Bias 可能会导致不公平或不准确的预测。要注意与数据收集过程相关的 bias，例如抽样偏差，以及与社会问题相关的偏差，例如性别、种族或社会经济地位。

1.6 寻求多样性 

选择不同来源、人群或地点多样化的数据集，有助于帮助模型从各种不同的例子中学习，避免过拟合。

2. 注意规避的陷阱

本部分适用于预定义数据集及自行创建的数据集。

2.1 数据不足

数据不足会导致模型无法捕捉数据中的潜在模式，从而使得性能不佳。如果没有足够的数据，可以考虑借助数据增强或迁移学习等技术，来增强数据集或模型能力。如果标签一致，可以将多个数据集合并成一个。

2.2 不平衡的类别

类别不平衡是指一个类 (class) 的样本数明显多于另一个类，这会导致预测偏差或其他模型错误。为了解决这个问题，建议使用过采样、欠采样或类别加权等技术。增强代表性不足的类也可以减少这个问题。

温馨提示：

不同的机器学习任务，类不平衡问题对模型的影响也不一样，例如在异常检测任务中，类严重不平衡是正常现象；而在标准图像分类问题中，这种情况比较少见。

2.3 异常值 (Outlier) 

异常值是与其他数据样本明显不同的数据点，可能会对模型性能产生负面影响。如果数据集中包含太多的异常值，机器学习或深度学习模型通常会难以学习所需的分布。

可以考虑使用诸如 winsorization 之类的技术删除或校正异常值，或者使用均值/中位数插补方法，将样本中出现的所有缺失值替换为均值或中位数。

 2.4数据窥探和泄漏 

数据窥探 (data snooping) 会导致过拟合和性能降低，为了避免这种情况，应该将数据集分为训练集、验证集和测试集，并只使用训练集来训练模型。

另一方面，用测试集的数据训练模型会引发数据泄漏，从而导致过于乐观的性能估计。为了避免数据泄漏，应该始终保持验证和测试集的隔离，并只使用它们来评估最终模型

• 借助迁移学习，用预训练模型解决相关问题，对于特定问题，可以使用较小的数据集进行微调。

• 合并多个数据集以增加数据集的大小和多样性，从而得到更准确和更稳健的模型。需要注意数据兼容性和质量问题。

• 用众包方式以较低成本快速收集大量标记数据。需要注意质量控制和偏差问题。

• 留意各种公司和组织的数据 API，以便以代码方式访问其数据。

• 检查提供标准化数据集及评估指标的可用 benchmark，便于比较针对同一问题不同模型的性能区别。

4.1 定义问题和目标 

在收集任何数据之前，明确想要预测的目标变量、想要解决的问题范围以及数据集的预期用途。

明确问题和目标有助于专注收集相关数据，避免在无关或嘈杂的数据上浪费时间和资源，同时有助于理解数据集的假设和局限性。

 4.2 收集多样化和具有代表性的数据集 

从不同的来源和领域收集数据，可以确保数据集能够代表现实世界的问题。这包括从不同的地点、人口统计学和时间段收集数据，保证数据集不偏向于特定的群体或领域。

此外，要确保数据不含任何混淆变量 (confounding variable)，影响假定原因和假定结果的第 3 个未测量变量，会对结果产生影响。

4.3 仔细标注数据 

使用明确并且能清晰反映 ground truth 的标签标注数据，通过多位标注人员 (annotator) 或众包方式，减少个人偏见对数据的影响，提高标签的质量和可靠性。建议对数据进行版本控制，以更轻松地跟踪、共享和重现训练和评估过程。

温馨提示：

如果数据集只包含 80% 的正确标签，那么即使是最好的模型，在大多数情况下其准确率也不会超过 80%。

 4.4 确保数据的质量和完整性 

数据质量是指数据的准确性 (accuracy)、完整性 (completeness) 和一致性 (consistency)。借助数据清洗、异常值检测和缺失值插补等技术，有助于提高数据集质量。此外，还需要确保数据格式易于机器学习算法的理解和处理。

 4.5 确保数据隐私和安全

为了保护隐私，需要确保数据的收集和存储都是安全的，任何敏感信息都已被匿名化或加密处理。此外，还可以考虑使用加密技术来保护数据在传输和静态存储时的安全。

温馨提示：

注意验证数据的使用规范，确保其符合法律法规。

5. 数据集评估

检查数据集是否已经充分满足以下 5 个标准：

• 数据规模：通常来说，数据越多越好。

• 数据分布：确保数据集是平衡和有代表性的。

• 数据质量：干净、一致和无误的数据至关重要

• 数据复杂度：确保数据不过于复杂。

• 数据相关性：数据应与问题相关。

以上就是数据集选择与创建指南的完整内容，选择一个合适的数据集是机器学习的关键，希望这份指南可以帮助各位选择或创建优质数据集，训练出准确、稳健的模型！

截至目前，HyperAI超神经官网已上线 1200+ 优质公开数据集，完成近 50 万次下载，贡献 2000+TB 流量，极大降低了海内外优质公开数据集的访问门槛。

访问以下链接，即刻搜索下载你需要的数据集，开启模型训练之旅！

访问官网：https://hyper.ai/datasets

—— 完 ——