为监督学习创建训练数据集涉及三个关键步骤：收集原始数据、对其进行预处理以及使用标签对其进行注释。首先，确定与您的问题域相关的数据源。 对于图像分类，这可能涉及抓取公共图像存储库或使用 Flickr 等 API。 对于文本任务，您可能需要收集客户评论、社交媒体帖子或技术文档。 确保您的数据涵盖您的模型将在生产中遇到的场景——例如，如果为产品评论构建情感分析器，请包括跨不同产品类别的正面和负面示例。 始终验证您是否拥有使用数据的合法权利，并考虑 GDPR 等隐私法规。
接下来，预处理数据以使其可用于训练。 通过删除重复项、处理缺失值（例如，填充空白或删除不完整的条目）以及标准化格式来清理数据。 对于文本数据，这可能涉及小写、删除特殊字符或标记化句子。 对于图像，将它们调整为一致的尺寸并标准化像素值。 将数据集拆分为训练集、验证集和测试集——一个常见的比率是 60/20/20。 使用 Pandas 等工具进行表格数据操作或使用 OpenCV 进行图像处理。 特征工程也可以在这里进行：例如，将时间戳转换为工作日值以用于时间序列预测任务。
最后，使用准确的标签注释数据。 这可以通过使用 Label Studio 或 Amazon Mechanical Turk 等工具手动完成，也可以使用启发式方法以编程方式完成（例如，根据关键字将电子邮件标记为垃圾邮件）。 通过定义明确的指南并验证注释的子集来确保标签一致性。 例如，在医疗诊断系统中，让多位专家审查有歧义的病例以减少偏差。 不断迭代：在初始模型训练之后，分析错误分类的示例以识别数据集中的差距。 如果您的模型在特定类别中遇到困难（例如，在弱光条件下识别自行车），请为这些情况收集更多有针对性的数据。 存储数据集的版本以跟踪改进和重现结果。