机器学习实战

数据收集是件非常有趣的事情，但当你对某算法灵感涌来并试图做一些实验的时候，临时找数据也是件很头疼的事情。本附录提供了一些可用数据集的超链接。这些数据集的大小从20行到万亿行不等，从中找到所需数据应该不是一件难事：

http://archive.ics.uci.edu/ml/——最有名的机器学习数据资源来自美国加州大学欧文分校。虽然本书仅使用了这其中的不到10个数据集，但该数据库已经提供了200多个可用的数据集。其中很多数据常被用来比较算法的性能，基于这些资源，研究人员可以得到相对客观的性能比较结果。

http://aws.amazon.com/publicdatasets/——如果你是一个大数据的爱好者，这个链接尤其不能错过。Amazon拥有真正的“大”数据，包括美国人口普查数据、人类基因组注释的数据、一个150 GB的日志（维基百科的页面流量）和一个500 GB的数据库（维基百科的链接数据）。

http://www.data.gov——Data.gov启动于2009年，目的是使公众可以更加方便地访问政府的数据。

一旦政府的某份数据可以公开，他们就将该数据发布。到2010年，该网站就已经拥有了250,000个数据集。但网站还能活跃多久尚未可知，因为2011年的时候联邦政府减少了对电子政府（Electronic Government Fund，该网站的资金来源）的基金支持。该网站提供的数据主要包含一些被召回的产品和破产的银行信息等。

http://www.data.gov/opendatasites—— Data.gov还维持了一个包括美国州、城市和国家等网站在内的超链接列表，它们都提供类似的开放数据。

http://www.infochimps.com/ ——Infochimps是一个公司，公司目标是让每个人可以访问世界上所有的数据集，目前它已开放了14,000多个数据集的下载。与本列表中的其他站点不同，Infochimps的其中一些数据集是需要购买的。当然，你也可以在该网站上出售自己的数据集。

http://www.datawrangling.com/some-datasets-available-on-the-web ——Data Wrangling是一个私人的博客，提供了网络上大量数据集的链接。虽然许久没有更新，但其中很多数据集仍相当不错。

http://metaoptimize.com/qa/questions/——该站点并不提供数据资源，而是一个问答系统的站点，重点关注于机器学习。在这里有很多高手乐意伸出援手、帮助解答问题。