adathalmazt

Adathalmazt vagy adathalmaz olyan adatok összességét jelenti, amelyet elemzésre, statisztikai feldolgozásra vagy gépi tanulási feladatokra gyűjtöttek össze. Gyakran felépítése rekordokból (egyedi megfigyelések) és jellemzőkből (változók, attribútumok) áll, és lehet strukturált vagy strukturálatlan.

A kifejezés gyakorlati szempontból alapvetően a készen rendelkezésre álló adatokra utal. Strukturált adathalmazok táblázatos formában jelennek meg, például CSV, TSV vagy Excel formátumban, és általában sorokban az egyes megfigyeléseket, oszlopokban pedig a változókat tartalmazzák. Strukturálatlan adathalmazok például szövegek, képek vagy hangfájlok, gyakran metaadatokkal kiegészítve. Az adathalmazokat lehet címkézettek (felügyelt tanítás) vagy címkézetlenek (felügyelet nélküli tanulás vagy adathalmaz elemzése).

Adatminőség és előkészítés szempontjából fontos a méret, teljesség és konzisztencia. Hiányzó értékek kezelése, normalizálás, hibák kijavítása és adatvédelmi intézkedések (anonimizálás, de-identifikálás) gyakori lépések. A személyes adatok védelme és a megfelelés a GDPR előírásainak kiemelt szempont.

Használatában a adathalmazt alapvetően adatok elemzésére, kijelentések vagy modellek megtanítására és értékelésére használják. Gyakori felosztás a tanító, validációs és tesztelési adathalmazokra, illetve a keresztvalidáció alkalmazása a megbízható értékelés érdekében. Példák: Iris, MNIST vagy CIFAR-10 adathalmazok gyakran előkerülnek oktatási és benchmark célokra.