資料集（dataset）

資料集就是為了讓機器從中學習而收集起來的一堆例子——很像學生在真正考試前要研讀的一疊往年試卷。每個例子是一列：一棟房子連同它的面積、地段和成交價；一封被標註為垃圾郵件與否的郵件；一張照片連同它所描繪之物的名稱。這些例子的整體集合，就是資料集。

再看仔細些，資料集通常是一張表。每一列是一個實例（一次觀測），每一欄是一個特徵（feature）——也就是可度量的屬性，比如建築面積或像素亮度。在監督式學習中，有一欄特殊的欄叫標籤（label），即我們希望機器預測的答案。資料集也會以不那麼整齊的形態出現：一個裝滿圖片的資料夾、一堆文字文件、一串感測器讀數。但歸根結底，它們都可以歸結為「例子」加上「描述這些例子的屬性」。

為何重要：模型的好壞，至多只能和它見過的例子一樣好。如果資料狹窄、陳舊或有偏，模型就會繼承這些缺陷——它只能從被展示過的東西裡去舉一反三。從業者會極其在意一個資料集是怎樣採集的、它代表了誰或代表了什麼、又悄悄遺漏了什麼，因為這些抉擇會左右模型此後做的一切。更大的資料集並不自動等於更好的資料集；找對例子，比單純堆數量更要緊。