在建立機器學習的模型之前，我們要先找到可以用的資料集。

畢竟要做機器學習，總要先有資料吧？如果有些人是為了跑手上的資料才學機器學習倒還好，但是很多人學機器學習的時候手上可沒有資料。

這可怎麼辦？總不能把學校所有人叫出來量身高體重吧？

公開數據庫

公開數據庫的定義很廣泛，只要是提供公開數據的網站都算。因為許多在分析資料、做機器學習的人本身沒有資料，所以會從這些網站找資料來做使用。

常見的公開數據庫有：

• 政府機關：如政府資料公開平台、經濟部主題式開放服務……等。
• 民間網站：如Kaggle，提供了專案、數據分析可以使用，且具高度分析價值的資料集，同時也是關於資料集的社群，可以和許多專家與同好一起討論。
• 大學機構：如UCI Machine Learning Repository，提供了許多公開數據的資源。

函式庫內建的數據庫

有些函式庫本身就有內建的數據庫可以直接做讀取使用，像我們之前學過的sklearn就包含了許多資料集。

sklearn中的鳶尾花（Iris）資料集

這是在初學機器學習時非常常用到的資料集，當初我在學的時候也是用這個資料集XD

這邊來介紹一下鳶尾花卉數據集（Iris data set）：

• 包含了 150 筆資料
• 記錄了鳶尾屬下山鳶尾（setosa）、變色鳶尾（versicolor）和維吉尼亞鳶尾（virginica）的資料
• 每筆資料包含花萼長度、花萼寬度、花瓣長度、花瓣寬度與屬種。

可以看到，在這個資料集中，涵蓋了數值、類別型資料，而且還有三個屬種可以做比較分析。

導入鳶尾花數據集：

# 先載入需要的函式庫
from sklearn.datasets import load_iris

# 將數據及導入、放倒iris這個容器中
iris = load_iris()

資料導入的過程很簡單吧？之後我們簡單實作機器學習時，就會用到這個資料集哦！

結語

今天的內容比較短，但應該還蠻實用的。

雖然之後不一定會用到網路上的公開數據集（比如kaggle、UCT），但這些網站中提供的許多數據集都挺有趣的，會讓看到的人有想玩玩看他們之間到底有什麼關係的衝動，所以大家有空的時候可以上去看看！