Et datasett er en samling av relaterte datapunkter organisert for analyse. Det kan være en enkelt tabell, et sett med filer eller et databaseutdrag. Et datasett har et formål. Iris-datasettet inneholder målinger av blomsterblader og begerblad, som brukes til å lære klassifisering. MNIST-datasettet inneholder håndskrevne sifre, som brukes til å måle bildegjenkjenning. Et selskaps salgsdatasett inneholder transaksjoner, som brukes til å prognostisere inntekter. Datasettet definerer grensene for analysen.

Datasett varierer mye i størrelse, kvalitet og struktur. Noen er små nok til å åpnes i et regneark. Andre spenner over petabyte på tvers av distribuert lagring. Noen er nøye kuratert med dokumentert opprinnelse. Andre er hentet fra nettet med ukjent pålitelighet. Kvaliteten på et datasett bestemmer kvaliteten på analysen som er bygget på det. Et datasett med manglende verdier, skjevt utvalg eller inkonsekvent merking gir upålitelige resultater. Før du bruker et datasett, undersøk det. Hva er kilden? Hvordan ble det samlet inn? Hva er tidsperioden? Hva mangler? Hva er de kjente begrensningene? Disse spørsmålene er ikke valgfrie. De bestemmer hva dataene kan støtte. Et datasett som fungerer for én analyse kan være uegnet for en annen. Dataene kjenner ikke sine egne begrensninger. Analytikeren må.

Datasettegenskaper

• Størrelse – antall poster og funksjoner
• Struktur – tabellarisk, hierarkisk eller ustrukturert
• Kvalitet – nøyaktighet, fullstendighet, konsistens
• Proveniens – hvor den kom fra og hvordan
• Lisens – bruks- og omfordelingsvilkår

Et datasett er et øyeblikksbilde av verden. Øyeblikksbildet har en ramme. Å forstå rammen er en del av å forstå dataene.