german_credit_numeric

  • Descriptif :

Cet ensemble de données classe les personnes décrites par un ensemble d'attributs comme bons ou mauvais risques de crédit. La version ici est la variante "numérique" où les attributs catégoriels et catégoriels ordonnés ont été encodés respectivement en tant qu'indicateurs et quantités entières.

Diviser Exemples
'train' 1 000
  • Structure des fonctionnalités :
FeaturesDict({
    'features': Tensor(shape=(24,), dtype=int32),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),
})
  • Documentation des fonctionnalités :
Caractéristique Classer Forme Dtype La description
FonctionnalitésDict
Caractéristiques Tenseur (24,) int32
étiquette Étiquette de classe int64
  • Citation :
@misc{Dua:2019 ,
author = "Dua, Dheeru and Graff, Casey",
year = "2017",
title = "{UCI} Machine Learning Repository",
url = "http://archive.ics.uci.edu/ml",
institution = "University of California, Irvine, School of Information and Computer Sciences"
}