机器学习、数据科学和数据挖掘中的数据集类型

作者：Tarun Gupta
翻译：疯狂的技术宅

https://towardsdatascience.co...

未经允许严禁转载

数据集有三个一般特征，即：维度，稀疏度，和分辨率。接下来我们将讨论它们究竟是什么意思。

→数据集的维度是数据集中对象所具有的属性的数量。

在特定数据集中，如果存在大量属性（也称为高维度），则可能很难分析这样的数据集。当遇到这个问题时，它被称为维度的诅咒。

为了理解维度的诅咒到底是什么，我们首先需要了解数据的另外两个特征。

→对于某些数据集，例如具有非对称特征的数据集，其对象的大多数属性值为 0；在通常情况下，只有不到 1％的条目是非零的，这样的数据称为稀疏数据或者可以说数据集具有稀疏性。

什么是分辨率？

→数据中的模式取决于分辨率级别。如果分辨率太细，则模式可能会不可见或有可能被埋没在噪声中；如果分辨率太粗糙，模式可能会消失。例如大气压力变化反映了风暴和其他天气系统的运动。在几个月的时间里，这种现象是无法察觉的。

现在，回到维度的诅咒，这意味着随着数据集维度（数据集中的属性数量）的增加，许多类型的数据分析变得困难。具体而言，随着维数的增加，数据在其占据的空间中变得越来越稀疏。对于分类，这可能意味着没有足够的数据对象来允许创建可靠的分类模型。

最后，来看数据集的类型，我们将它们定义为三个类别，即记录数据，基于图的数据和有序数据。

→数据挖掘工作的大部分假定数据是记录（数据对象）的集合。

→记录数据的最基本形式是在记录或数据字段之间没有明确的关系，并且每个记录（对象）都具有相同的属性集。记录数据通常存储在文件或关系数据库中。

记录数据有一些具有某些特征属性的变体，。

交易或市场篮子数据：这是一种特殊类型的记录数据，其中每个记录包含一组项目。例如在超市或杂货店购物。对于任何特定客户，记录将包含客户购买的一组物品。这种类型的数据称为市场篮子数据。交易数据是一组项目集合，但它可以被视为一组记录，其字段是非对称属性。通常属性是二进制的，表示是否购买了商品。
数据矩阵：如果数据集中的数据对象都具有相同的固定数值属性集，那么数据对象可以被认为是多维空间中的点（向量），其中每个维度表示描述对象的不同属性。一组这样的数据对象可以被解释为 m×n 矩阵，其中有 n 行 m 列，每行一个对象，每列一个属性。可以用标准矩阵运算来转换和操纵数据。因此数据矩阵是大多数统计数据的标准数据格式。
稀疏数据矩阵：稀疏数据矩阵（有时也称为文档 - 数据矩阵）是数据矩阵的一种特殊情况，其中属性是相同的类型，而且是不对称的；即，只有非零值才很重要。

这可以进一步分为几种类型：

对象间关系的数据：数据对象映射到图的节点，而对象之间的关系由对象和链接属性之间的链接表示，例如方向和权重。比如互联网上的网页，其中包含文本和其指向他页面的链接。为了处理搜索查询，Web 搜索引擎爬取并处理网页来提取其内容。
具有图对象的数据：如果对象具有结构，即对象中包含具有关系的子对象，则此类对象通常表示为图。例如，化学化合物的结构可以用图表示，其中节点是原子，节点之间的链接是化学键。

对于某些类型的数据，属性具有涉及时间或空间顺序的关系。正如你在上图中所看到的，它可以分为四种类型：

顺序数据：也称为时间数据，可以被认为是记录数据的扩展，其中每个记录都有一个与之相关的时间。比如零售交易数据集，该数据集还存储交易发生的时间
序列数据：序列数据由数据集组成，该数据集是单个实体的序列，例如单词或字母序列。它与顺序数据非常相似，只是没有时间戳；相反，有序序列中存在位置。例如，植物和动物的遗传信息可以用基因的核苷酸序列的形式表示。
时间序列数据：时间序列数据是一种特殊类型的有序数据，其中每个记录是一个时间序列，即随时间进行的一系列测量。例如，财务数据集可能包含各种股票的每日价格的时间序列的对象。
空间数据：某些对象具有空间属性，例如位置或区域，还有其他类型的属性。空间数据的例子是针对各种地理位置收集的天气数据（降水，温度，压力）。