دیتاست

مجموعه داده مجموعه‌ای سازمان‌یافته از نمونه‌ها و ویژگی‌های مرتبط با یک مسئله است. هر نمونه می‌تواند ردیف جدول، تصویر، متن یا رویداد باشد.

کیفیت، تنوع، مجوز استفاده، توازن کلاس‌ها و روش جمع‌آوری داده‌ها بر نتیجه مدل اثر دارند. داده تکراری یا نشت اطلاعات می‌تواند ارزیابی را گمراه کند.

یک Dataset برای تشخیص تصویر باید فایل تصویر، شناسه یکتا، برچسب معتبر و اطلاعات کیفیت لازم را نگه دارد. تکرار نمونه‌ها بین Train و Test نتیجه را منحرف می‌کند.

در همین واژه‌نامه، ترینینگ ست و ولیدیشن ست از مفاهیم مرتبط هستند.

کیفیت دیتاست را چگونه بسنجیم؟

برای هر دیتاست بهتر است منبع، مجوز استفاده، نحوه نمونه‌گیری، بازه زمانی، مقادیر گمشده و احتمال تکرار داده ثبت شود. دیتاست حجیم اما با برچسب نادرست ممکن است از دیتاست کوچک معتبر بدتر باشد.