数据集（dataset）

数据集就是为了让机器从中学习而收集起来的一堆例子——很像学生在真正考试前要研读的一摞往年试卷。每个例子是一行：一套房子连同它的面积、地段和成交价；一封被标注为垃圾邮件与否的邮件；一张照片连同它所描绘之物的名称。这些例子的整体集合，就是数据集。

再看仔细些，数据集通常是一张表。每一行是一个实例（一次观测），每一列是一个特征（feature）——也就是可度量的属性，比如建筑面积或像素亮度。在监督学习中，有一列特殊的列叫标签（label），即我们希望机器预测的答案。数据集也会以不那么整齐的形态出现：一个装满图片的文件夹、一堆文本文档、一串传感器读数。但归根结底，它们都可以归结为「例子」加上「描述这些例子的属性」。

为何重要：模型的好坏，至多只能和它见过的例子一样好。如果数据狭窄、陈旧或有偏，模型就会继承这些缺陷——它只能从被展示过的东西里去举一反三。从业者会极其在意一个数据集是怎样采集的、它代表了谁或代表了什么、又悄悄遗漏了什么，因为这些抉择会左右模型此后做的一切。更大的数据集并不自动等于更好的数据集；找对例子，比单纯堆数量更要紧。