采集一份数据集

实验目的

认识数据集由样本、特征和标签组成，体验数据采集与标注的基本过程。

实验原理

机器学习从数据中总结规律。一个数据集由若干样本组成，每个样本包含描述它的特征（如大小、颜色、数值）；监督学习中还需要标注标签，也就是正确答案。数据越充分、类别越均衡、标注越准确，训练出的模型通常越可靠。

实验器材

• 待采集的样本对象
• 特征记录区
• 标签（类别）选择区
• 数据表预览

实验步骤

1. 明确要解决的任务和需要区分的类别
2. 逐个采集样本
3. 记录每个样本的特征值
4. 为每个样本选择正确的标签
5. 查看数据表，检查各类别的样本数量是否均衡

实验现象与结论

采集的样本越多，数据表越完整。如果某一类样本太少，数据集就会不均衡；如果标签标错，数据中就会混入噪声。结论：好的数据集需要数量足够、类别均衡、标注准确。

注意事项

• 采集数据时不要录入姓名、照片等个人隐私信息。

常见问题

数据集里的特征和标签有什么区别？

特征是描述样本的信息，如大小、颜色；标签是希望模型预测出的答案或类别。

数据集是不是越大越好？

不一定。数量要足够，但类别均衡、标注准确同样重要，质量差的大数据集也会训练出差的模型。