Un conjunto de datos es una colección de puntos de datos relacionados, organizados para su análisis. Puede ser una tabla, un conjunto de archivos o un extracto de base de datos. Un conjunto de datos tiene un propósito. El conjunto de datos Iris contiene mediciones de pétalos y sépalos de flores, utilizadas para enseñar clasificación. El conjunto de datos MNIST contiene dígitos escritos a mano, utilizados para evaluar el reconocimiento de imágenes. El conjunto de datos de ventas de una empresa contiene transacciones, utilizadas para pronosticar los ingresos. El conjunto de datos define los límites del análisis.

Los conjuntos de datos varían ampliamente en tamaño, calidad y estructura. Algunos son lo suficientemente pequeños como para abrirse en una hoja de cálculo. Otros abarcan petabytes en almacenamiento distribuido. Algunos están cuidadosamente seleccionados con procedencia documentada. Otros se extraen de la web con fiabilidad desconocida. La calidad de un conjunto de datos determina la calidad del análisis basado en él. Un conjunto de datos con valores faltantes, muestreo sesgado o etiquetado inconsistente produce resultados poco fiables. Antes de utilizar un conjunto de datos, examínelo. ¿Cuál es la fuente? ¿Cómo se recopiló? ¿Cuál es el período de tiempo? ¿Qué datos faltan? ¿Cuáles son las limitaciones conocidas? Estas preguntas no son opcionales. Determinan qué pueden soportar los datos. Un conjunto de datos que funciona para un análisis puede no ser adecuado para otro. Los datos no conocen sus propias limitaciones. El analista debe conocerlas.

Características del conjunto de datos

• Tamaño: número de registros y características
• Estructura: tabular, jerárquica o no estructurada.
• Calidad: precisión, exhaustividad, coherencia
• Procedencia: de dónde proviene y cómo
• Licencia: términos de uso y redistribución

Un conjunto de datos es una instantánea del mundo. Esta instantánea tiene un marco. Comprender el marco es parte de comprender los datos.