gegevensset

Een gegevensset, ook wel gegevensverzameling genoemd, is een georganiseerde verzameling gegevens die betrekking heeft op een bepaald onderwerp of onderzoeksdoel. De meest voorkomende vorm is tabular: elke rij vertegenwoordigt een waarneming en elke kolom een variabele. Gegevens in een set kunnen numeriek, categorisch, tekstueel of tijdsgebonden zijn. Naast tabellen bestaan er ook niet-gestructureerde of semigestructureerde gegevenssets, bijvoorbeeld tekstbestanden, afbeeldingen of netwerkdata.

Een gegevensset heeft meestal ook metadata: beschrijving van de inhoud, de herkomst, de meetinstrumenten, het tijdsbestek en de kwaliteit van de gegevens. Belangrijke kenmerken zijn de grootte, de volledigheid, de juistheid en de versie van de gegevens.

Veelgebruikte formaten voor opslag en uitwisseling zijn CSV, JSON, XML, Parquet en HDF5. Datasets kunnen gestructureerd of ongestructureerd zijn, openbaar of privé, en gelabeld of ongelabeld (bijvoorbeeld voor supervised of unsupervised learning).

Toepassingen liggen in statistiek, data-analyse, wetenschappelijk onderzoek en training van machine learning-modellen. Een goed beheerde gegevensset bevat ook documentatie en duidelijke licenties, zodat derden de gegevens kunnen gebruiken onder voorwaarden.

Bij persoonsgegevens gelden privacyregels zoals de AVG/GDPR; privacy-by-design, anonimisering en beperking van re-identificatierisico's zijn gangbaar. Datasets worden onderworpen aan kwaliteitszorg, provenance-tracering en versiebeheer.