机器学习-38-对ML的思考之探寻Iris数据集的来源及并非完美的标准数据集

文章目录

• 1 标准数据集的滥用
• • 1.1 机器学习不研究采集数据
  • 1.2 基于别人采集的数据学习
• 2 经典的数据集
• • 2.1 Iris鸢尾花数据集
  • 2.2 探寻Iris数据集的源头
  • • 2.2.1 Iris物种
    • 2.2.2 侦探工作
    • 2.2.3 解开谜团
    • 2.2.4 哪里可以找到Iris数据集
  • 2.3 Iris数据的采集过程
  • 2.4 Iris数据集并不完美
• 3 参考附录

1 标准数据集的滥用

1.1 机器学习不研究采集数据

驱动AI发展的三驾马车——数据+算法+算力，其中的“数据”之所以要单独列出来，是因为机器学习不研究怎样采集数据。
基本的科学研究过程：

标准数据集的广泛使用就让机器学习研究缺失了一环——数据采集，机器学习研究人员也没有觉得有什么不对的地方。这样，科学研究的第一个步骤——科学观察，离开了机器学习的研究范围。

在科学研究中，科学家是基于什么原因、在科学观察中采集特定的数据，机器学习领域此后就基本上没有相关研究了。机器学习教科书一般也都回避数据的来源问题，基本都着力在如何处理数据。

标准数据集的广泛使用，使得越来越多的机器学习研究人员聚焦于算法研究，这已经成为今天机器学习的主流研究模式。

1.2 基于别人采集的数据学习

这样，机器学习研究人员只好使用“别人采集的数据”去研究算法。

然而，“别人采集的数据”，并不是机器学习研究人员想象的那么“美好”。