摘要：很难找到一个特定的数据集来解决对应的机器学习问题，这是非常痛苦的。下面的网址列表不仅包含用于实验的大型数据集，还包含描述、使用示例等，在某些情况下还包含用于解决与该数据集相关的机器学习问题的算法代码。
1 -Kaggle数据集
网址：http：//www.kaggle.com/datasets
这是我最喜欢的数据集网站之一。每个数据集都有对应的一个小型社区，你可以在其中讨论数据、查找公共代码或在内核中创建自己的项目。该网站包含大量形状、大小、格式各异的真实数据集。你还可以看到与每个数据集相关的“内核”，其中许多不同的数据科学家提供了笔记来分析数据集。有时在某些特定的数据集中，你可以从笔记中找到相应的算法，解决预测问题。
2 -亚马逊数据集
网址：https：//registry.opendata.aws
该数据源包含多个不同领域的数据集，如：公共交通、生态资源、卫星图像等。它也有一个搜索框来帮助你找到你正在寻找的数据集，另外它还有数据集描述和使用示例，这是非常简单、实用的！
3- UCI机器学习库：
网址：https：//archive.ics.uci.edu/ml/datasets.html
这是加州大学信息与计算机科学学院的一个数据库，包含了100多个数据集。它根据机器学习问题的类型对数据集进行分类。你可以找到单变量、多变量、分类、回归或者是推荐系统的数据集。UCI的某些数据集已经更新完毕并准备使用。
4-谷歌的数据集搜索引擎：
网址：https：//toolbox.google.com/datasetsearch
在2018年末，谷歌做了他们最擅长的事情，推出了另一项伟大的服务。它是一个可以按名称搜索数据集的工具箱。谷歌的目标是统一成千上万个不同的数据集存储库，使这些数据能够被发现。
5 -微软数据集：
网址：https：//msropendata.com
2018年7月，微软与外部研究社区共同宣布推出“微软研究开放数据”。
它在公共云中包含一个数据存储库，用于促进全球研究社区之间的协作。另外它还提供了一组在已发表的研究中使用的、经过整理的数据集。
6-Awesome公共数据集：
网址：https：//github.com/awesomedata/awesome-public-datasets
这是一个按照主题分类的，由社区公开维护的一系列数据集清单，比如生物学、经济学、教育学等。这里列出的大多数数据集都是免费的，但是在使用任何数据集之前，你应该检查相应的许可要求。
7 -政府数据集：
政府的相关数据集也很容易找到。许多国家为了提高知名度，向公众分享了各种数据集。例如：
欧盟开放数据门户：欧洲政府数据集。
新西兰政府数据集。
印度政府数据集。
8-计算机视觉数据集：
网址：https：//www.visualdata.io
如果你从事图像处理、计算机视觉或者是深度学习，那么这应该是你的实验获取数据的重要来源之一。
该数据集包含一些可以用来构建计算机视觉(CV)模型的大型数据集。你可以通过特定的CV主题查找特定的数据集，如语义分割、图像标题、图像生成，甚至可以通过解决方案(自动驾驶汽车数据集)查找特定的数据集。
综上所述，从我所观察到的情况来看，越来越多的用于研究机器学习的各种数据集变得更容易获取，维护这些新数据集的社区，也将不断地发展，使计算机科学社区能够继续快速创新，为生活带来更多创造性的解决方案。
以上为译文，由阿里云云栖社区组织翻译。
文章原标题《Top Sources For Machine Learning Datasets》
译者：黄小凡，审校：袁虎。
-----------------------------------------------------------------------------
一、scikit-learn自带数据集
一、自带数据集
自带的小的数据集为：sklearn.datasets.load_<name>
| load_boston | Boston房屋价格 | 回归 | 506*13 |
|---|---|---|---|
| fetch_california_housing | 加州住房 | 回归 | 20640*9 |
| load_diabetes | 糖尿病 | 回归 | 442*10 |
| load_digits | 手写字 | 分类 | 1797*64 |
| load_breast_cancer | 乳腺癌 | 分类、聚类 | (357+212)*30 |
| load_iris | 鸢尾花 | 分类、聚类 | (503)4 |
| load_wine | 葡萄酒 | 分类 | (59+71+48)*13 |
| load_linnerud | 体能训练 | 多分类 | 20 |
二、可在线下载的数据集（需要下载）
下载的数据集为：sklearn.datasets.fetch_<name>
这类数据需要在线下载，有点慢
| fetch_20newsgroups | 用于文本分类、文本挖据和信息检索研究的国际标准数据集之一。数据集收集了大约20,000左右的新闻组文档，均匀分为20个不同主题的新闻组集合。返回一个可以被文本特征提取器 |
|---|---|
| fetch_20newsgroups_vectorized | 这是上面这个文本数据的向量化后的数据，返回一个已提取特征的文本序列，即不需要使用特征提取器 |
| fetch_california_housing | 加利福尼亚的房价数据，总计20640个样本，每个样本8个属性表示，以及房价作为target，所有属性值均为number，详情可调用fetch_california_housing()['DESCR']了解每个属性的具体含义； |
| fetch_covtype | 森林植被类型，总计581012个样本，每个样本由54个维度表示（12个属性，其中2个分别是onehot4维和onehot40维），以及target表示植被类型1-7，所有属性值均为number，详情可调用fetch_covtype()['DESCR']了解每个属性的具体含义 |
| fetch_kddcup99 | KDD竞赛在1999年举行时采用的数据集，KDD99数据集仍然是网络入侵检测领域的事实Benckmark，为基于计算智能的网络入侵检测研究奠定基础，包含41项特征 |
| fetch_lfw_pairs | 该任务称为人脸验证：给定一对两张图片，二分类器必须预测这两个图片是否来自同一个人。 |
| fetch_lfw_people | 打好标签的人脸数据集 |
| fetch_mldata | 从 mldata.org 中下载数据集 |
| fetch_olivetti_faces | Olivetti 脸部图片数据集 |
| fetch_rcv1 | 路透社新闻语聊数据集 |
| fetch_species_distributions | 物种分布数据集 |
三、生成数据集
可以用来分类任务，可以用来回归任务，可以用来聚类任务，用于流形学习的，用于因子分解任务的，用于分类任务和聚类任务的：这些函数产生样本特征向量矩阵以及对应的类别标签集合
make_blobs：多类单标签数据集，为每个类分配一个或多个正态分布的点集
make_classification：多类单标签数据集，为每个类分配一个或多个正态分布的点集，提供了为数据添加噪声的方式，包括维度相关性，无效特征以及冗余特征等
make_gaussian-quantiles：将一个单高斯分布的点集划分为两个数量均等的点集，作为两类
make_hastie-10-2：产生一个相似的二元分类数据集，有10个维度
make_circle和make_moons：产生二维二元分类数据集来测试某些算法的性能，可以为数据集添加噪声，可以为二元分类器产生一些球形判决界面的数据
深度学习数据集
MS-COCO
COCO是一个可用于object detection, segmentation and caption的大型数据集。
http://cocodataset.org/#home
ImageNet
图像总数约1,500,000; 每个都有多个边界框和相应的类标签。
大小：约150GB
http://www.image-net.org
Yelp Reviews
它由数百万用户评论、商业类型和来自多个大型城市的超过20万张照片组成。这在全球都是一个非常常用的NLP挑战级数据集。
大小：2.66 GB JSON，2.9 GB SQL and 7.5 GB Photos（全部已压缩）
数量：5,200,000条评论，174,000条商业类型，20万张图片和11个大型城市
https://www.yelp.com/dataset
……待补充
其它数据集
kaggle：
https://www.kaggle.com
天池：
https://tianchi.aliyun.com/dataset
搜狗实验室：
http://www.sogou.com/labs/resource/list_pingce.php
DC竞赛：
https://www.pkbigdata.com/common/cmptIndex.html
DF竞赛：
https://www.datafountain.cn/datasets
Google数据集
[需要科学上网]
https://toolbox.google.com/datasetsearch
科赛网
https://www.kesci.com/home/dataset
微软数据集
https://msropendata.com/
……待补充