机器学习通用经典数据集集成库

资 源 简 介

本项目专为从事机器学习领域的研究人员和工程师设计，旨在提供一个高度集成、开箱即用的经典数据集集合。项目不仅涵盖了诸如Iris（鸢尾花）分类数据集、糖尿病病理特征数据集、Wine（葡萄酒）品质评价数据集等多个国际公认的标准基准，还针对MATLAB环境进行了深度优化。

详 情 说 明

MATLAB通用机器学习经典数据集集成库

项目介绍

本项目是一个专门为机器学习研究人员和工程师设计的MATLAB集成环境。其核心目标是提供一个高度自动化、标准化的经典数据集预处理与集成方案。通过统一的数据访问接口，项目将分布在不同来源的数据集（包括Iris分类、Wine葡萄酒品质、Diabetes糖尿病特征等）进行深度整编。用户无需手动编写复杂的数据导入与清洗代码，即可快速获得可直接用于训练与测试的高质量样本矩阵。

功能特性

1. 多维数据集集成：内置了针对分类与回归任务的多种经典数据集，并对各数据集的特征名称、背景资料及样本标签进行了标准化封装。

1. 自动化特征工程：

数据预处理：支持自动检测并利用特征中位数填充缺失值。 特征缩放：提供Z-score标准化（零均值单位方差）与Min-Max归一化两种模式，确保特征量纲统一。 维度压缩：集成主成分分析（PCA）算法，通过设置累积贡献率阈值（95%），自动实现特征降维，降低数据冗余。

1. 科学的样本划分：支持自定义测试集比例，利用随机互斥采样机制生成独立的训练集与测试集矩阵，兼容分类标签（类别型）与回归标签（数值型）。

1. 全方位结果输出：

持久化存储：支持将处理后的整个数据库结构导出为大容量MAT文件（v7.3格式）。 数据报告：自动生成Excel格式的统计报表，详细记录各数据集的样本数、特征维度及划分比例。

1. 交互式可视化看板：提供四象限统计图形，涵盖特征分布散点图、特征相关性热图、目标变量频率直方图以及样本划分堆叠柱状图。

使用方法

1. 参数配置：在程序主入口处修改配置结构体，可调整测试集比例（默认0.2）、选择归一化方法（zscore或minmax）以及是否开启PCA开关。

1. 运行流程：执行集成库主函数。程序将依次自动完成数据集成、特征工程、样本拆分、数据导出及图表渲染。

1. 结果查看：程序运行结束后，可在当前工作目录下检查导出的数据包文件和统计报表。同时，可视化窗口将自动弹出供分析人员观察数据分布与相关性。

系统要求

1. 软件环境：MATLAB R2016b 或更高版本。
2. 必备工具箱：Statistics and Machine Learning Toolbox（用于执行pca、gscatter、fillmissing等关键统计运算）。
3. 导出依赖：系统需支持Excel文件写入（用于生成统计报表）。

代码实现逻辑分析

1. 环境配置与入口逻辑：

程序通过配置结构体集中管理超参数。主控制流程严格遵循“初始化 -> 数据集成 -> 预处理与特征工程 -> 样本划分 -> 导出数据 -> 可视化渲染”的线性流水线，确保了数据处理的一致性。

1. 数据集成模块实现：

针对Iris数据集，直接调用内置的fisheriris数据，并配以标准的特征名称。 针对Wine数据集，设计了健壮的加载机制：若本地存在对应的矩阵文件则直接导入；若不存在，则根据标准葡萄酒数据集的维度（178样本, 13特征）通过正态分布随机生成具有模拟统计特征的数据，确保下游逻辑不中断。 针对Diabetes数据集，模拟生成了包含年龄、性别、BMI等10类病理特征的回归数据。

1. 自动化处理与特征工程细节：

数据清洗算法：逻辑内部使用fillmissing函数，并指定中位数（median）作为填充值，以增强对离群值的鲁棒性。 PCA降维算法：程序计算各主成分的方差贡献率，通过cumsum函数计算累积贡献率，仅保留使累积方差达到95%以上的最优特征子集。

1. 样本划分机制：

采用randperm生成随机索引序列，实现样本的洗牌打乱。根据用户设定的比例将索引序列切分为两个不重叠的部分。逻辑中加入了类型判断，能够自动识别标签是类别型元胞数组还是双精度数值矩阵，从而采取不同的切片策略。

1. 统计可视化实现：

散点图模块：利用gscatter展示Iris数据集的前两个特征维度的空间分布。 热图模块：通过corr函数计算特征间的相关系数矩阵，利用imagesc将相关性程度视觉化，便于观察数据冗余。 统计图模块：使用histogram展示回归目标的数值分布情况，并用stacked模式的bar图对比所有数据集的训练与测试样本规模。