Un jeu de données est un ensemble de points de données liés et organisés pour l'analyse. Il peut s'agir d'une table unique, d'un ensemble de fichiers ou d'un extrait de base de données. Un jeu de données a une finalité précise. Le jeu de données Iris contient des mesures de pétales et de sépales de fleurs, utilisées pour l'apprentissage de la classification. Le jeu de données MNIST contient des chiffres manuscrits, utilisés pour évaluer la reconnaissance d'images. Le jeu de données des ventes d'une entreprise contient des transactions, utilisées pour prévoir son chiffre d'affaires. Le jeu de données définit le périmètre de l'analyse.

Les jeux de données varient considérablement en taille, en qualité et en structure. Certains sont suffisamment petits pour être ouverts dans un tableur. D'autres s'étendent sur des pétaoctets répartis sur des systèmes de stockage distribués. Certains sont soigneusement organisés et leur provenance est documentée. D'autres sont extraits du web, leur fiabilité étant inconnue. La qualité d'un jeu de données détermine la qualité de l'analyse qui en découle. Un jeu de données comportant des valeurs manquantes, un échantillonnage biaisé ou un étiquetage incohérent produit des résultats non fiables. Avant d'utiliser un jeu de données, il est essentiel de l'examiner. Quelle est sa source ? Comment a-t-il été collecté ? Quelle est la période couverte ? Quelles sont les données manquantes ? Quelles sont les limitations connues ? Ces questions sont incontournables. Elles déterminent les capacités des données. Un jeu de données adapté à une analyse peut s'avérer inadapté à une autre. Les données ignorent leurs propres limites. L'analyste, lui, doit les connaître.

Caractéristiques de l'ensemble de données

• Taille — nombre d'enregistrements et de fonctionnalités
• Structure — tabulaire, hiérarchique ou non structurée
• Qualité — exactitude, exhaustivité, cohérence
• Provenance — d'où cela vient et comment
• Licence — conditions d'utilisation et de redistribution

Un jeu de données est un instantané du monde. Cet instantané possède un cadre. Comprendre ce cadre fait partie intégrante de la compréhension des données.