Az adathalmaz az elemzéshez rendszerezett, kapcsolódó adatpontok gyűjteménye. Lehet egyetlen tábla, fájlok halmaza vagy adatbázis-kivonat. Egy adathalmaznak célja van. Az Írisz adathalmaz virágszirmok és csészelevelek méréseit tartalmazza, amelyeket az osztályozás tanítására használnak. Az MNIST adathalmaz kézzel írott számjegyeket tartalmaz, amelyeket a képfelismerés összehasonlítására használnak. Egy vállalat értékesítési adathalmaza tranzakciókat tartalmaz, amelyeket a bevétel előrejelzésére használnak. Az adathalmaz meghatározza az elemzés határait.

Az adathalmazok mérete, minősége és szerkezete is széles skálán mozog. Némelyik elég kicsi ahhoz, hogy táblázatban meg lehessen nyitni. Mások petabájtnyi adatot ölelnek fel elosztott tárolóhelyeken. Vannak gondosan válogatott, dokumentált eredettel rendelkező adathalmazok. Mások az internetről származnak, ismeretlen megbízhatósággal. Egy adathalmaz minősége határozza meg a rá épülő elemzés minőségét. A hiányzó értékekkel, elfogult mintavétellel vagy inkonzisztens címkézéssel rendelkező adathalmaz megbízhatatlan eredményeket eredményez. Mielőtt használnánk egy adathalmazt, vizsgáljuk meg azt. Mi a forrás? Hogyan gyűjtötték? Mi az időszak? Mi hiányzik? Melyek az ismert korlátok? Ezek a kérdések nem opcionálisak. Meghatározzák, hogy mit tudnak alátámasztani az adatok. Egy adathalmaz, amely az egyik elemzéshez működik, alkalmatlan lehet egy másikra. Az adat nem ismeri a saját korlátait. Az elemzőnek ezt kell tennie.

Adatkészlet jellemzői

• Méret – rekordok és jellemzők száma
• Struktúra – táblázatos, hierarchikus vagy strukturálatlan
• Minőség – pontosság, teljesség, következetesség
• Származás – honnan származik és hogyan
• Licenc – felhasználási és terjesztési feltételek

Egy adathalmaz a világ pillanatképe. A pillanatképnek van egy kerete. A keret megértése az adatok megértésének része.