DatosDatasets de referencia
Conjuntos de datos públicos y conocidos para practicar cada tipo de problema, con su tamaño, variables y los modelos que suelen funcionar mejor.
Iris
R. A. Fisher (1936) · UCI · sklearn.datasets.load_iris
- Registros
- 150 filas
- Variables
- 4 numéricas (largo y ancho de sépalo y pétalo, en cm)
- Tipos
- float
- Problema
- Clasificación en 3 especies
- Modelos
- Regresión logística, KNN, árbol de decisión
- Ejemplo
5.1, 3.5, 1.4, 0.2 → setosa
Breast Cancer Wisconsin (Diagnostic)
UCI · sklearn.datasets.load_breast_cancer
- Registros
- 569 filas (212 malignos, 357 benignos)
- Variables
- 30 numéricas calculadas sobre imágenes de núcleos celulares
- Tipos
- float
- Problema
- Clasificación binaria
- Modelos
- Random Forest, regresión logística, SVM
- Ejemplo
mean radius, worst area, worst concave points…
Artículo: Random ForestArtículo: Regresión logísticaDiabetes
Efron, Hastie, Johnstone y Tibshirani (2004) · sklearn.datasets.load_diabetes
- Registros
- 442 pacientes
- Variables
- 10 numéricas (edad, sexo, índice de masa corporal, tensión media y seis análisis de sangre), ya centradas y escaladas
- Tipos
- float
- Problema
- Regresión de la progresión de la enfermedad al año (25–346)
- Modelos
- Regresión lineal, Ridge, gradient boosting
Artículo: Regresión linealArtículo: Gradient Boosting y XGBoostCalifornia Housing
Censo de EE. UU. de 1990 · sklearn.datasets.fetch_california_housing
- Registros
- 20.640 filas
- Variables
- 8 numéricas (ingresos medios, edad de la vivienda, habitaciones, latitud, longitud…)
- Tipos
- float
- Problema
- Regresión del valor mediano de la vivienda
- Modelos
- Gradient boosting, Random Forest, regresión lineal
NSL-KDD
Canadian Institute for Cybersecurity, Universidad de New Brunswick (2009)
- Registros
- 148.517 conexiones (125.973 de entrenamiento y 22.544 de test)
- Variables
- 41 por conexión: básicas, de contenido, de tráfico en ventana de 2 s y de host
- Tipos
- categórica, int, float
- Problema
- Detección de intrusiones y de anomalías; el test incluye 17 tipos de ataque nuevos
- Modelos
- Isolation Forest, autoencoders, Random Forest
Usado en un proyectoIBM Telco Customer Churn
IBM · ejemplo público (licencia Apache 2.0)
- Registros
- 7.043 clientes
- Variables
- 19: perfil, antigüedad, contrato, servicios contratados, método de pago, cuota mensual y total facturado
- Tipos
- categórica, int, float
- Problema
- Clasificación de bajas de clientes (26,5 % de bajas)
- Modelos
- Regresión logística, gradient boosting
Usado en un proyectoAI4I 2020 Predictive Maintenance
UCI Machine Learning Repository
- Registros
- 10.000 filas
- Variables
- Tipo de producto, temperatura del aire y del proceso, velocidad de giro, par, desgaste de herramienta y 5 modos de fallo
- Tipos
- categórica, float, int, binaria
- Problema
- Clasificación de fallos de máquina (muy desbalanceada)
- Modelos
- Gradient boosting, Random Forest con class_weight
Usado en un proyectoDigits
UCI Optical Recognition of Handwritten Digits · sklearn.datasets.load_digits
- Registros
- 1.797 imágenes (unas 180 por dígito)
- Variables
- 64 píxeles (imágenes de 8×8) con valores de 0 a 16
- Tipos
- int
- Problema
- Clasificación de dígitos 0–9
- Modelos
- Regresión logística, MLP, SVM
Artículo: Redes neuronalesMNIST
LeCun et al. (1998)
- Registros
- 70.000 imágenes (60.000 de entrenamiento y 10.000 de test)
- Variables
- Imágenes de 28×28 píxeles en escala de grises
- Tipos
- uint8
- Problema
- Clasificación de dígitos 0–9
- Modelos
- MLP, CNN
CIFAR-10
A. Krizhevsky (2009)
- Registros
- 60.000 imágenes (50.000 / 10.000)
- Variables
- Imágenes en color de 32×32 píxeles
- Tipos
- uint8 RGB
- Problema
- Clasificación en 10 clases de objetos
- Modelos
- CNN, ResNet, Vision Transformer
Wine Quality
Cortez et al. (2009) · UCI
- Registros
- 6.497 filas (1.599 tintos, 4.898 blancos)
- Variables
- 11 fisicoquímicas (acidez, azúcar residual, sulfatos, alcohol…)
- Tipos
- float
- Problema
- Regresión o clasificación de la calidad (0–10)
- Modelos
- Random Forest, gradient boosting
IMDB Large Movie Review
Maas et al. (2011)
- Registros
- 50.000 reseñas (25.000 / 25.000)
- Variables
- Texto libre en inglés
- Tipos
- texto
- Problema
- Análisis de sentimiento binario
- Modelos
- Naive Bayes con TF-IDF, LSTM, BERT