Ich versuche derzeit, einige Algorithmen für maschinelles Lernen selbst zu implementieren. Viele von ihnen haben die böse Eigenschaft, schwer zu debuggen zu sein. Einige Fehler führen nicht zum Absturz des Programms, sondern funktionieren nicht wie beabsichtigt und scheinen, da die Algorithmen nur schwächere Ergebnisse liefern.
Ich hätte gerne eine Möglichkeit, mein Vertrauen in die Implementierung zu stärken, zum Beispiel, wenn ich einige kleine Datensätze mit zusätzlichen Informationen hätte: "Algorithmen X haben für Y-Iterationen funktioniert und Ergebnisse Z für diesen Datensatz", das wäre wirklich hilfreich. Hat jemand von solchen Datensätzen gehört?
Welche Nachforschungen haben Sie angestellt, um diese Frage zu untersuchen? Auf den ersten Blick würde man denken, dass die Literatur, die Sie verwenden, um diese Algorithmen zu finden, voller Beispieldatensätze ist.
—
whuber
Nun, ich kenne ML hauptsächlich aus Universitätskursen, Coursea, Vorlesungsvideos im Internet und einigen Artikeln, die ich zu bestimmten Themen gelesen habe. Ich weiß, dass es überall viele Beispieldatensätze gibt, aber ich suche einige mit Informationen darüber, wie verschiedene ML-Algorithmen auf ihnen ausgeführt wurden, damit ich meine eigenen Implementierungen validieren kann.
—
sjm.majewski
Vor kurzem gab es bei ICML ein gutes Papier über das Problem mit standardisierten Datensätzen - das Sie davon abhält, zu sehr über Probleme der realen Welt und die Unordnung, die Probleme der realen Welt mit sich bringen, nachzudenken. Als ich anfing, reale Daten zu verwenden, blühte meine Fähigkeit als Praktiker auf. Obwohl ich Sie nicht davon abhalten möchte, Dinge wie UCI als Sprungbrett oder Test zu verwenden, behalten Sie den Preis im Auge!
—
Patrick Caldon
Sie sollten angeben, welche Art von maschinellem Lernen Sie durchführen. Binäre Klassifizierungsdatensätze unterscheiden sich von Funktionsnäherungsdatensätzen (Regressionsdatensätzen).
—
Douglas Zare