为了解决任何机器学习问题，最关键的是要知道我们的数据集完全取决于您要解决的问题。
什么是数据？
数据是原始信息。 它代表了人类和机器对世界的观察。 即，一切都可以用数据表示，艺术，文学，知觉几乎什么都可以。 我们被数据包围。
在进入机器学习或数据科学之前，这是重要的考虑因素：
＃数据集数量
当您训练孩子识别一个苹果时，如果您通常给出3–6的例子，他/她将开始准确地做出响应。 无论如何，计算机与人不同。 在这里，您需要提供成千上万的示例，以进行识别苹果的小型模型训练。 这里的数据量完全取决于应用程序。 一般而言，您永远不应使用更少的数据训练模型
＃清理和结构化数据集
您应该删除不必要的数据，接下来的重要事情是使数据看起来结构化，确保您的数据必须消除或减少偏差和方差的可能性。
＃精选精选
这在使算法最有效地发挥功能方面也起着至关重要的作用
精选精选非常重要。 让我们了解一个日常生活的例子。 假设您必须购买汽车，现在有太多因素会影响您的决定。
＃克服了机器学习数据集中数据过拟合和欠拟合的问题。
偏差：学习算法中的一组错误假设。
方差：对噪声的敏感度模型，而不是输入和输出之间关系的重要特征。
这是解决数据科学问题时应牢记的几点。
谢谢阅读。
