datasæt

Et datasæt er en samling data, der typisk består af poster (rækker) og attributter (kolonner). Hver række beskriver en enhed eller observation, og hver kolonne angiver en egenskab ved enheden. Datasæt bruges til analyse, statistisk undersøgelse og maskinlæring, men også til rapportering og beslutningsstøtte. De kan være små og overskuelige eller store og komplekse, og de kan være strukturerede eller ustrukturerede.

Typer og formater: Strukturerede datasæt præsenteres som tabeller med definerede datatyper. Ustrukturerede data omfatter tekst, billeder og lyd. I maskinlæring opdeles datasæt ofte i trænings-, validerings- og testdatasæt. Filformater inkluderer CSV, JSON, Parquet og databaser. Metadata som kilde, oprettelsesdato og opdateringsfrekvens er vigtig for forståelse og genbrug.

Kvalitet og forvaltning: Datasæt bør have dokumentation om oprindelse og indsamling. Nøglekvalitetsegenskaber er fuldstændighed, nøjagtighed, konsistens og aktualitet. Data renses og versioneres for reproducerbarhed.

Licens og etik: Brug af datasæt følger licensbetingelser og privatlivsregler. Offentlige datasæt udgives ofte under åbne licenser. Personoplysninger skal behandles i overensstemmelse med GDPR, og anonymisering kan være nødvendig. Ved anvendelse bør bias og repræsentativitet overvejes.

Anvendelser: Datasæt er grundlaget for forskning, offentlig forvaltning, erhvervsanalyse og algoritmeudvikling. De udvikles og opdateres løbende, hvilket gør versionering og sporbarhed vigtig for brugen.