机器学习：常见的数据集结构

在机器学习中，数据的组织方式直接影响模型的训练方式与算法设计。

不同类型的学习任务，对应的数据结构也有所不同。例如，监督学习通常需要标签数据，而无监督学习则只依赖数据本身的结构；时间序列数据强调时间顺序，而图数据则强调对象之间的关系结构。

在实际应用中，机器学习数据通常以 NumPy 数组、矩阵或结构化对象的形式组织。在 Scikit-Learn 中，许多示例数据集通过 sklearn.datasets 模块提供，这些数据集不仅用于算法示例，也体现了常见的数据组织方式。

从机器学习任务的角度看，常见的数据集结构主要包括以下几类：

• 监督学习数据集

• 无监督学习数据集

• 半监督学习数据集

• 自监督学习数据集

• 时间序列数据集

• 序列数据集

• 图数据集

• 多模态数据集

• 强化学习中的经验数据

监督学习数据集

监督学习是机器学习中最常见的学习方式。其核心特点是：每个样本都对应一个已知标签。

一个典型的监督学习数据集通常包括：

• 特征矩阵（feature matrix）

• 标签数组（target array）

特征矩阵通常记为：

X

标签数组通常记为：

y

特征矩阵的结构为：

(n_samples, n_features)

标签数组的结构为：

(n_samples,)

训练模型时的常见形式为：

model.fit(X, y)

下面以 Scikit-Learn 提供的鸢尾花数据集（Iris dataset）为例观察其结构：

from sklearn.datasets import load_iris
iris = load_iris()
print(iris.data.shape)print(iris.target.shape)

示例输出：

(150, 4)(150,)

说明：

• iris.data：特征矩阵

• iris.target：标签数组

该数据集常用于分类算法示例。

无监督学习数据集

在无监督学习中，数据通常没有标签信息。算法需要根据数据本身的结构发现潜在模式。

因此，一个典型的无监督学习数据集通常只包含：

• 特征矩阵

表示为：

X

其结构为：

(n_samples, n_features)

模型训练通常为：

model.fit(X)

常见任务包括：

• 聚类（clustering）

• 降维（dimensionality reduction）

• 异常检测（anomaly detection）

示例：

Scikit-Learn 提供的 Digits 数据集本身包含标签，但在无监督学习任务中，可以只使用其中的特征矩阵 digits.data。

from sklearn.datasets import load_digits
digits = load_digits()
print(digits.data.shape)

输出示例：

(1797, 64)

说明：

• 每个样本是一张 8×8 手写数字图像

• 图像被展开为 64 维特征向量

在无监督学习任务中，可以只使用：

X = digits.data

例如用于聚类或降维分析。

半监督学习数据集

半监督学习介于监督学习与无监督学习之间：只有部分样本具有标签。

典型结构包括：

Xy

其中：

• 部分样本具有标签

• 在一些实现中，未标注样本常用 -1 作为占位标记；但这并不是唯一方式，具体表示形式取决于所使用的库和算法实现

例如：

y = [0, 1, 2, -1, -1, -1]

其中：

-1

表示该样本没有标签。

示例：Digits 数据集的半监督应用

from sklearn.datasets import load_digitsfrom sklearn.semi_supervised import LabelPropagation
digits = load_digits()
X = digits.datay = digits.target.copy()
# 隐藏部分标签y[100:] = -1
model = LabelPropagation()model.fit(X, y)

Scikit-Learn 中常见半监督算法包括：

• LabelPropagation

• LabelSpreading

自监督学习数据集

自监督学习（self-supervised learning）是一种不依赖人工标签的学习方式。模型通过设计预训练任务（pretext task），从数据本身构造学习目标。

从训练任务的角度看，自监督学习通常涉及：

• 原始特征数据

• 自动生成的训练目标

表示为：

Xy_generated

其中：

X : (n_samples, n_features)

自动生成的目标数据通常由数据本身构造，例如：

• 重建输入数据

• 预测被遮挡的部分

• 判断两个样本是否相似

例如，可以仍以 Scikit-Learn 提供的 Digits 手写数字数据集作为原始输入数据：

from sklearn.datasets import load_digits
digits = load_digits()
print(digits.data.shape)

输出示例：

(1797, 64)

说明：

• 每个样本是一张 8×8 手写数字图像

• 图像被展开为 64 维特征向量

在自监督学习任务中，可以直接使用：

X = digits.data

自监督学习通常直接使用未标注原始数据，监督信号由训练过程自动构造。因此，从数据组织角度看，它常常仍然以原始样本集合 X 为基础，只是训练目标不是人工给出的标签，而是由任务机制动态生成。

时间序列数据集

时间序列数据的核心特点是：数据具有时间顺序。

一个典型的时间序列数据集通常包括：

• 时间索引

• 特征矩阵

• 目标变量（可选）

例如：

时间        温度2026-01-01  122026-01-02  142026-01-03  13

在机器学习中，时间序列数据通常会通过滑动窗口（sliding window） 转换为监督学习形式：

X = [x1, x2, x3]y = x4

这样就可以使用普通机器学习模型进行预测。

时间序列数据广泛应用于：

• 股票预测

• 销售预测

• 传感器监测

序列数据集

序列数据由一组按顺序排列的元素组成，例如：

["I", "love", "machine", "learning"]

在机器学习中，序列通常需要转换为数值表示，例如：

[1, 2, 3, 4]

若经过截断、填充或编码后，序列数据常可表示为：

X : (n_sequences, sequence_length)y : (n_sequences,)   # 可选

序列数据常见于：

• 文本数据

• 语音信号

• 用户行为序列

从广义上说，时间序列也属于序列数据；但由于其顺序具有明确的时间含义，并常涉及滞后、趋势、季节性等问题，因此通常单独作为一类讨论。

示例：20 Newsgroups 数据集

Scikit-Learn 提供 20 Newsgroups 文本数据集：

from sklearn.datasets import fetch_20newsgroups
data = fetch_20newsgroups()
print(len(data.data))

该数据集包含：

• 文本序列

• 分类标签

通常需要使用 TF-IDF 或 词袋模型进行特征转换。

图数据集

图数据用于描述对象之间的关系结构。

一个典型的图数据集通常包括：

• 节点特征矩阵

• 邻接结构

• 节点标签（可选）

常见表示方式：

X → 节点特征A → 邻接矩阵y → 节点标签

其中：

X : (n_nodes, n_features)A : (n_nodes, n_nodes)

图数据常见任务包括：

• 节点分类

• 链接预测

• 图分类

虽然 Scikit-Learn 不是专门的图学习框架，但可以构建样本相似度图：

from sklearn.datasets import load_irisfrom sklearn.neighbors import kneighbors_graph
iris = load_iris()
A = kneighbors_graph(iris.data, 5)

这里 A 表示样本之间的邻接关系。

多模态数据集

多模态数据集同时包含多种不同类型的数据来源。

例如：

• 图像

• 文本

• 音频

• 表格数据

一个样本可能同时包含多种模态信息，例如：

图像 + 文本描述

数据结构通常表示为多个特征矩阵：

X_imageX_text

这些矩阵通常具有相同的样本数量：

(n_samples, ...)

关键在于不同模态必须按样本一一对应，否则无法进行联合学习。

多模态学习广泛应用于：

• 图像描述

• 视频理解

• 跨模态检索

强化学习中的经验数据

强化学习的数据来自智能体与环境的交互过程。

每一次交互通常记录为：

(state, action, reward, next_state)

即：

(s, a, r, s')

其中：

• state：当前环境状态

• action：执行的动作

• reward：获得的奖励

• next_state：下一状态

这些数据通常存储在经验集合中，例如经验回放缓冲区（Replay Buffer）。

强化学习算法通过不断积累这些交互数据来学习最优策略。

📘 小结

在机器学习中，不同任务类型对应不同的数据集结构。监督学习数据集通常由特征矩阵和标签数组组成，而无监督学习数据集通常只包含特征数据。除此之外，还存在半监督学习、时间序列、序列数据、图数据、多模态数据以及强化学习交互数据等多种形式。理解这些常见的数据组织方式，有助于根据任务特点正确构建数据，并选择合适的机器学习方法。

"点赞有美意，赞赏是鼓励"