Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

pingwiny

  • Opis :

Pomiary dla trzech gatunków pingwinów obserwowanych w Archipelagu Palmera na Antarktydzie.

Dane te zostały zebrane w latach 2007-2009 przez dr Kristen Gorman z Palmer Station Long Term Ecological Research Program , część US Long Term Ecological Research Network . Dane zostały pierwotnie zaimportowane z portalu danych Environmental Data Initiative (EDI) i są dostępne do użytku na podstawie licencji CC0 („Brak Zastrzeżonych Praw”) zgodnie z Polityką danych Palmer Station. Ta kopia została zaimportowana z repozytorium GitHub firmy Allison Horst .

@Manual{,
  title = {palmerpenguins: Palmer Archipelago (Antarctica) penguin data},
  author = {Allison Marie Horst and Alison Presmanes Hill and Kristen B Gorman},
  year = {2020},
  note = {R package version 0.1.0},
  doi = {10.5281/zenodo.3960218},
  url = {https://allisonhorst.github.io/palmerpenguins/},
}

pingwiny/przetworzone (konfiguracja domyślna)

  • Opis konfiguracji : penguins/processed to zamiennik drop-in dla zestawu danych iris . Zawiera 4 znormalizowane cechy liczbowe przedstawione jako jeden tensor, bez braków danych, a etykieta klasy (gatunek) jest przedstawiona jako liczba całkowita (n = 334).

  • Rozmiar pliku do pobrania : 25.05 KiB

  • Rozmiar zestawu danych : 17.61 KiB

  • Dzieli :

Podział Przykłady
'train' 334
  • Cechy :
FeaturesDict({
    'features': Tensor(shape=(4,), dtype=tf.float32),
    'species': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
})

pingwiny/proste

  • Opis konfiguracji : penguins/simple zostały przetworzone z surowego zbioru danych, z uproszczonymi etykietami klas pochodzącymi z pól tekstowych, brakujące wartości oznaczone jako NaN/NA i zachowują tylko 7 istotnych cech (n = 344).

  • Rozmiar pliku do pobrania : 13.20 KiB

  • Rozmiar zestawu danych : 56.10 KiB

  • Dzieli :

Podział Przykłady
'train' 344
  • Cechy :
FeaturesDict({
    'body_mass_g': tf.float32,
    'culmen_depth_mm': tf.float32,
    'culmen_length_mm': tf.float32,
    'flipper_length_mm': tf.float32,
    'island': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
    'sex': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
    'species': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
})
  • Nadzorowane klucze (patrz as_supervised doc ): ({'sex': 'sex', 'body_mass_g': 'body_mass_g', 'flipper_length_mm': 'flipper_length_mm', 'culmen_depth_mm': 'culmen_depth_mm', 'species': 'species', 'culmen_length_mm': 'culmen_length_mm', 'island': 'island'}, 'species')

  • Przykłady ( tfds.as_dataframe ):

pingwiny/surowe

  • Opis konfiguracji: penguins/raw to oryginalna, nieprzetworzona kopia z @allisonhorst, zawierająca wszystkie 17 funkcji, prezentowana jako typy liczbowe lub jako nieprzetworzony tekst (n = 344).

  • Rozmiar pliku do pobrania : 49.72 KiB

  • Rozmiar zestawu danych : 164.51 KiB

  • Dzieli :

Podział Przykłady
'train' 344
  • Cechy :
FeaturesDict({
    'Body Mass (g)': tf.float32,
    'Clutch Completion': Text(shape=(), dtype=tf.string),
    'Comments': Text(shape=(), dtype=tf.string),
    'Culmen Depth (mm)': tf.float32,
    'Culmen Length (mm)': tf.float32,
    'Date Egg': Text(shape=(), dtype=tf.string),
    'Delta 13 C (o/oo)': tf.float32,
    'Delta 15 N (o/oo)': tf.float32,
    'Flipper Length (mm)': tf.float32,
    'Individual ID': Text(shape=(), dtype=tf.string),
    'Island': Text(shape=(), dtype=tf.string),
    'Region': Text(shape=(), dtype=tf.string),
    'Sample Number': tf.int32,
    'Sex': Text(shape=(), dtype=tf.string),
    'Species': Text(shape=(), dtype=tf.string),
    'Stage': Text(shape=(), dtype=tf.string),
    'studyName': Text(shape=(), dtype=tf.string),
})