2.1 使用真實數據

當你學習機器學習時，最好使用真實世界的數據而不是人工數據集進行實驗。幸運的是，現在有數以千計的開放數據集可供你選擇，涵蓋各個領域。你可以從以下幾個地方獲取數據：

· 流行的開放數據存儲庫：

　　◆ OpenML.org（https://openml.org）

　　◆ Kaggle.com（https://kaggle.com/datasets）

　　◆ PapersWithCode.com（https://paperswithcode.com/datasets）

　　◆ UC Irvine Machine Learning Respository（https://archive.ics.uci.edu/ml）

　　◆ 亞馬遜的AWS數據集（https://registry.opendata.aws）

　　◆ TensorFlow數據集（https://tensorflow.org/datasets）

· Meta portals（它們列出了開放數據存儲庫）：

　　◆ DataPortals.org（https://dataportals.org）

　　◆ OpenDataMonitor.eu（https://opendatamonitor.eu）

· 列出許多流行的開放數據存儲庫的其他頁面：

　　◆ 維基百科的機器學習數據集列表（https://homl.info/9）

　　◆ Quora.com（https://homl.info/10）

　　◆ subreddit數據集（https://reddit.com/r/datasets）

在本章中，我們將使用來自StatLib存儲庫的加州房價數據集（見圖2-1）[1]。該數據集基于1990年加州人口普查的數據。它并不是最新的數據（當時你還能負擔得起一個灣區的好房子），但它有很多可以學習的特性，所以我們假設它是最新的數據。出于教學目的，我添加了一個分類屬性并刪除了一些特征。

圖2-1：加州房價