Datenarten und Datensatzbeispiele

Datensätze können sehr unterschiedlich aufgebaut sein. In vielen klassischen Machine-Learning-Beispielen liegen die Daten als Tabelle vor (Table Data): Jede Zeile beschreibt ein Objekt, eine Beobachtung oder ein Ereignis, jede Spalte ein Merkmal. Daneben gibt es Multimediadaten wie Bilder oder Audiosignale, die nicht direkt als einfache Tabelle erscheinen, aber ebenfalls in numerische Daten umgewandelt werden können.

Codierung von Merkmalstypen

Bei Datensätzen sollte man zwei Ebenen unterscheiden: den fachlichen Typ eines Merkmals und seine Codierung für ein Lernverfahren.

Der fachliche Typ beschreibt, welche Bedeutung ein Merkmal inhaltlich hat. Ein Merkmal kann zum Beispiel qualitativ, quantitativ sein. Die Codierung beschreibt dagegen, wie dieses Merkmal einem Algorithmus übergeben wird. Für die verschiedenen Modelle und Lernverfahren ist oft eine jeweilige Codierung vorteilhaft oder erforderlich. Ein qualitatives Merkmal kann z. B. durch Zahlen (1 für weiblich und 0 für männlich) codiert werden, ohne dadurch zu einem quantitativen Merkmal zu werden. Ein qualitatives Merkmal kann also durch Zahlen codiert werden, ohne dadurch zu einem quantitativen Merkmal zu werden.

Tabellarische Daten

Bei tabellarischen Daten besteht ein Datenpunkt meist aus mehreren Merkmalen oder genauer je einer Merkmalsausprägung dieser Merkmale:

Dabei ist die Anzahl der Merkmale. Je nach Aufgabe gehört zu jedem Datenpunkt zusätzlich ein Zielwert , zum Beispiel eine Klasse oder ein numerischer Wert.

Ein Beispiel für tabellarische Daten ist der Iris-Datensatz. Die Merkmale sind numerisch, etwa Kelchblattlänge und Blütenblattbreite. Der Zielwert ist qualitativ, nämlich die Iris-Art. Bei einem Datensatz zur Lebenserwartung können Merkmale wie Land, Jahr oder wirtschaftliche Kennzahlen vorkommen; der Zielwert ist dann häufig quantitativ.

Qualitative und quantitative Merkmale

Qualitative Merkmale lassen sich zwar häufig durch Zahlen codieren, diese Zahlen haben aber nicht immer eine rechnerische Bedeutung. Wird zum Beispiel eine Pflanzenart durch die Zahlen , und dargestellt, bedeutet das nicht, dass Klasse doppelt so groß wie Klasse ist.

Für viele Lernverfahren müssen qualitative Merkmale geeignet codiert werden, zum Beispiel durch One-Hot-Codierung:

Zeitreihen

Bei Zeitreihen ist die zeitliche Reihenfolge der Daten wesentlich. Ein einzelner Datenpunkt kann zum Beispiel ein Messwert zu einem bestimmten Zeitpunkt sein:

Eine Zeitreihe besteht dann aus vielen solchen Messungen:

Beispiele sind monatliche CO2-Messwerte, Methan-Messwerte, Temperaturverläufe oder Erdbebenereignisse über einen Zeitraum. Solche Datensätze eignen sich besonders für Trendanalysen, Prognosen oder die Suche nach ungewöhnlichen Ereignissen.

Eine kleine Auswahl prominenter tabellarischer Beispieldatensätze kann man z. B. hier finden: