机器学习训练的数据集-UCI数据集，包含55个数据集

机器学习里面聚类所需的数据集，分为人工的二维数据集，如月牙形，双螺旋型等，和UCI真实数据集

利用局部加权回归，对UCI数据进行分段线性拟合，使用时需修改下路径名。

UCI 机器学习数据集合中的经典二分类数据集，包括 Iris、Hert Dieses、German Credit 等经典二分类问题测试数据集。

###人类活动识别使用智能手机数据集####作者：Coursera2015（获取和清理数据，2015 年 1 月） ＃＃＃用法 将存储库 UCI-HAR-Datatest $ git clone https://github.com/Coursera2015/UCI-HAR-Dataset到您的个人资料（ $ git clone https://github.com/Coursera2015/UCI-HAR-Dataset ）。 将目录 UCI-HAR-Dataset 设置为您的工作目录。 运行脚本run_analysis.R 。 它使用目录“data”中的数据文件。 整洁的数据集data_fin.txt被导出到工作目录。

该脚本将 UCI（加州大学欧文分校）使用智能手机数据集的人类活动识别作为输入。 这是一组对 30 名受试者进行的一组实验，他们在佩戴智能手机的情况下进行六项活动（步行、爬星、步行、坐下和站立）。 实验测量（总共 561 个）涉及从手机记录的加速度计和陀螺仪数据。 该脚本输出一个文本表，总结每个主题和每个活动的这些测量值。 使用了两个原始数据集： 惯性数据集，包括三轴加速度和角速度时间序列，以 50 Hz 的速率采样。 这些是在每次活动期间为每个受试者获得的。 它们被用来生产以下产品： 一个包含 561 个元素的运动“特征”向量，即在时域和频域的间隙数据集上计算的变量。 数据集分为“训练”和“测试”集。 下载并解压缩数据集后（脚本运行必不可少），可以在以下目录中找到这些原始数据集： intertial datasets: test/Inertial Signals, train/In

家用电耗的测量 该分配使用来自UC Irvine机器学习存储库的数据，该库是机器学习数据集的流行存储库。 特别是，我们将使用我在课程网站上提供的“个人家庭用电量数据集”：数据集：电力消耗[20Mb]描述：测量一个家庭中一个家庭的电力消耗-在近4年内的分钟采样率。 提供不同的电量和一些子计量值。 数据集中9个变量的以下描述来自UCI网站：日期：日期格式为dd / mm / yyyy时间：时间格式为hh：mm：ss Global_active_power：家庭全球分钟平均有功功率（千瓦） ）Global_reactive_power：家庭全球分钟平均无功功率（以千瓦为单位）电压：分钟平均电压（以伏特为单位）Global_intensity：家庭全球分钟平均无功电流（以安培为单位）Sub_metering_1：1号电能子计量表（以瓦特为单位）小时的有功电能）。 它对应于厨房，主要包含洗碗机，烤箱

UCI机器学习库中关于学生表现数据集

UCI数据集，自己总结的，里面第一列或者最后一列为数据集的类别。

使用ANN，多元线性回归和XGBoost_regression预测超导临界温度-K 我已经使用ANN，多重Liniear回归和XGBoost_regression来预测超导体材料的临界温度。