Bir veri kümesi, analiz için düzenlenmiş, birbiriyle ilişkili veri noktalarının bir koleksiyonudur. Tek bir tablo, bir dosya kümesi veya bir veritabanı özeti olabilir. Bir veri kümesinin bir amacı vardır. Iris veri kümesi, sınıflandırmayı öğretmek için kullanılan çiçek taç yaprakları ve çanak yapraklarının ölçümlerini içerir. MNIST veri kümesi, görüntü tanıma performansını ölçmek için kullanılan el yazısı rakamlarını içerir. Bir şirketin satış veri kümesi, geliri tahmin etmek için kullanılan işlemleri içerir. Veri kümesi, analizin sınırlarını tanımlar.

Veri kümeleri boyut, kalite ve yapı bakımından büyük farklılıklar gösterir. Bazıları bir elektronik tabloda açılabilecek kadar küçüktür. Diğerleri dağıtılmış depolama alanlarında petabaytlarca veriye yayılabilir. Bazıları belgelenmiş kaynak bilgileriyle özenle derlenmiştir. Diğerleri ise güvenilirliği bilinmeyen web'den toplanmıştır. Bir veri kümesinin kalitesi, üzerine inşa edilen analizin kalitesini belirler. Eksik değerlere, yanlı örneklemeye veya tutarsız etiketlemeye sahip bir veri kümesi, güvenilir olmayan sonuçlar üretir. Bir veri kümesini kullanmadan önce inceleyin. Kaynağı nedir? Nasıl toplandı? Zaman aralığı nedir? Neler eksik? Bilinen sınırlamalar nelerdir? Bu sorular isteğe bağlı değildir. Verilerin neyi destekleyebileceğini belirlerler. Bir analiz için uygun olan bir veri kümesi, başka bir analiz için uygun olmayabilir. Veriler kendi sınırlamalarını bilmez. Analist bilmelidir.

Veri kümesi özellikleri

• Boyut — kayıt ve özellik sayısı
• Yapı — tablo şeklinde, hiyerarşik veya yapılandırılmamış
• Kalite — doğruluk, eksiksizlik, tutarlılık
• Kökeni — nereden geldiği ve nasıl
• Lisans — kullanım ve yeniden dağıtım koşulları

Bir veri kümesi, dünyanın bir anlık görüntüsüdür. Bu anlık görüntünün bir çerçevesi vardır. Çerçeveyi anlamak, veriyi anlamanın bir parçasıdır.