Ένα σύνολο δεδομένων είναι μια συλλογή από σχετικά σημεία δεδομένων που έχουν οργανωθεί για ανάλυση. Μπορεί να είναι ένας μόνο πίνακας, ένα σύνολο αρχείων ή ένα απόσπασμα βάσης δεδομένων. Ένα σύνολο δεδομένων έχει έναν σκοπό. Το σύνολο δεδομένων Iris περιέχει μετρήσεις πετάλων και σέπαλων λουλουδιών, που χρησιμοποιούνται για τη διδασκαλία της ταξινόμησης. Το σύνολο δεδομένων MNIST περιέχει χειρόγραφα ψηφία, που χρησιμοποιούνται για τη συγκριτική αξιολόγηση της αναγνώρισης εικόνων. Το σύνολο δεδομένων πωλήσεων μιας εταιρείας περιέχει συναλλαγές, που χρησιμοποιούνται για την πρόβλεψη εσόδων. Το σύνολο δεδομένων ορίζει τα όρια της ανάλυσης.

Τα σύνολα δεδομένων ποικίλλουν σημαντικά σε μέγεθος, ποιότητα και δομή. Μερικά είναι αρκετά μικρά για να ανοίξουν σε ένα υπολογιστικό φύλλο. Άλλα εκτείνονται σε petabytes σε κατανεμημένο χώρο αποθήκευσης. Μερικά επιμελούνται προσεκτικά με τεκμηριωμένη προέλευση. Άλλα εξάγονται από τον ιστό με άγνωστη αξιοπιστία. Η ποιότητα ενός συνόλου δεδομένων καθορίζει την ποιότητα της ανάλυσης που βασίζεται σε αυτό. Ένα σύνολο δεδομένων με ελλείπουσες τιμές, μεροληπτική δειγματοληψία ή ασυνεπή επισήμανση παράγει αναξιόπιστα αποτελέσματα. Πριν χρησιμοποιήσετε ένα σύνολο δεδομένων, εξετάστε το. Ποια είναι η πηγή; Πώς συλλέχθηκε; Ποια είναι η χρονική περίοδος; Τι λείπει; Ποιοι είναι οι γνωστοί περιορισμοί; Αυτές οι ερωτήσεις δεν είναι προαιρετικές. Καθορίζουν τι μπορούν να υποστηρίξουν τα δεδομένα. Ένα σύνολο δεδομένων που λειτουργεί για μια ανάλυση μπορεί να είναι ακατάλληλο για μια άλλη. Τα δεδομένα δεν γνωρίζουν τους δικούς τους περιορισμούς. Ο αναλυτής πρέπει.

Χαρακτηριστικά συνόλου δεδομένων

• Μέγεθος — αριθμός εγγραφών και χαρακτηριστικών
• Δομή — σε μορφή πίνακα, ιεραρχική ή μη δομημένη
• Ποιότητα — ακρίβεια, πληρότητα, συνέπεια
• Προέλευση — από πού προήλθε και πώς
• Άδεια χρήσης — όροι χρήσης και αναδιανομή

Ένα σύνολο δεδομένων είναι ένα στιγμιότυπο του κόσμου. Το στιγμιότυπο έχει ένα πλαίσιο. Η κατανόηση του πλαισίου είναι μέρος της κατανόησης των δεδομένων.