用于基准测试的数据集具有数百万数据的模糊聚类方法

Question

我们想测试一些合作者开发的一些模糊聚类算法的性能。我们的兴趣在于拥有大量数据的2D数据集，我们可以在这些数据集中对这些算法进行基准测试你知道在哪里可以找到这样的数据集？

Answer 1

一个优秀的数据集是本网站提供的数据集。 StackExchange提供在其网站上发现这里所有的公开数据的匿名转储：https://archive.org/details/stackexchange

您可以阅读有关数据模式在这里：https://meta.stackexchange.com/questions/2677/database-schema-documentation-for-the-public-data-dump-and-sede

我有数据的副本，从一年前，它拥有超过1600万条记录只为这个网站（StackOverflow.com）和转储有所有其网站。

Answer 2

您可以从http://www.mockaroo.com/生成数据集。这是相当不错的，你可以有很多选择。

Answer 3

在网络上有很多大型的“开放数据”收集与科学数据。我们应该说，一些数据集的大小要远远超过1TB。因此，根据您需要的大小，请查看基因组站点，如Proteomecommons或datasets from Stanford's Natural Language Processing组。

在地质学家的项目中可以找到较小的转储，例如this one。