在機器學習中，數據的組織方式直接影響模型的訓練方式與算法設計。

不同類型的學習任務，對應的數據結構也有所不同。例如，監督學習通常需要標簽數據，而無監督學習則只依賴數據本身的結構；時間序列數據強調時間順序，而圖數據則強調對象之間的關系結構。

在實際應用中，機器學習數據通常以 NumPy 數組、矩陣或結構化對象的形式組織。在 Scikit-Learn 中，許多示例數據集通過 sklearn.datasets 模塊提供，這些數據集不僅用于算法示例，也體現了常見的數據組織方式。

從機器學習任務的角度看，常見的數據集結構主要包括以下幾類：

? 監督學習數據集

? 無監督學習數據集

? 半監督學習數據集

? 自監督學習數據集

? 時間序列數據集

? 序列數據集

? 圖數據集

? 多模態數據集

? 強化學習中的經驗數據

監督學習是機器學習中最常見的學習方式。其核心特點是：每個樣本都對應一個已知標簽。

一個典型的監督學習數據集通常包括：

? 特征矩陣（feature matrix）

? 標簽數組（target array）

特征矩陣通常記為：

X

標簽數組通常記為：

y

特征矩陣的結構為：

(n_samples, n_features)

標簽數組的結構為：

(n_samples,)

訓練模型時的常見形式為：

model.fit(X, y)

下面以 Scikit-Learn 提供的鳶尾花數據集（Iris dataset）為例觀察其結構：

print(iris.target.shape)

示例輸出：

(150,)

? iris.data：特征矩陣

? iris.target：標簽數組

該數據集常用于分類算法示例。

在無監督學習中，數據通常沒有標簽信息。算法需要根據數據本身的結構發現潛在模式。

因此，一個典型的無監督學習數據集通常只包含：

? 特征矩陣

表示為：

X

其結構為：

(n_samples, n_features)

模型訓練通常為：

model.fit(X)

常見任務包括：

? 聚類（clustering）

? 降維（dimensionality reduction）

? 異常檢測（anomaly detection）

示例：

Scikit-Learn 提供的 Digits 數據集本身包含標簽，但在無監督學習任務中，可以只使用其中的特征矩陣 digits.data。

print(digits.data.shape)

輸出示例：

(1797, 64)

? 每個樣本是一張 8×8 手寫數字圖像

? 圖像被展開為 64 維特征向量

在無監督學習任務中，可以只使用：

X = digits.data

例如用于聚類或降維分析。

半監督學習介于監督學習與無監督學習之間：只有部分樣本具有標簽。

典型結構包括：

y

其中：

? 部分樣本具有標簽

? 在一些實現中，未標注樣本常用 -1 作為占位標記；但這并不是唯一方式，具體表示形式取決于所使用的庫和算法實現

例如：

y = [0, 1, 2, -1, -1, -1]

其中：

-1

表示該樣本沒有標簽。

示例：Digits 數據集的半監督應用

model.fit(X, y)

Scikit-Learn 中常見半監督算法包括：

? LabelPropagation

? LabelSpreading

自監督學習（self-supervised learning）是一種不依賴人工標簽的學習方式。模型通過設計預訓練任務（pretext task），從數據本身構造學習目標。

從訓練任務的角度看，自監督學習通常涉及：

? 原始特征數據

? 自動生成的訓練目標

表示為：

y_generated

其中：

X : (n_samples, n_features)

自動生成的目標數據通常由數據本身構造，例如：

? 重建輸入數據

? 預測被遮擋的部分

? 判斷兩個樣本是否相似

例如，可以仍以 Scikit-Learn 提供的 Digits 手寫數字數據集作為原始輸入數據：

print(digits.data.shape)

輸出示例：

(1797, 64)

? 每個樣本是一張 8×8 手寫數字圖像

? 圖像被展開為 64 維特征向量

在自監督學習任務中，可以直接使用：

X = digits.data

自監督學習通常直接使用未標注原始數據，監督信號由訓練過程自動構造。因此，從數據組織角度看，它常常仍然以原始樣本集合 X 為基礎，只是訓練目標不是人工給出的標簽，而是由任務機制動態生成。

時間序列數據的核心特點是：數據具有時間順序。

一個典型的時間序列數據集通常包括：

? 時間索引

? 特征矩陣

? 目標變量（可選）

例如：

2026-01-03  13

在機器學習中，時間序列數據通常會通過滑動窗口（sliding window） 轉換為監督學習形式：

y = x4

這樣就可以使用普通機器學習模型進行預測。

時間序列數據廣泛應用于：

? 股票預測

? 銷售預測

? 傳感器監測

序列數據由一組按順序排列的元素組成，例如：

["I", "love", "machine", "learning"]

在機器學習中，序列通常需要轉換為數值表示，例如：

[1, 2, 3, 4]

若經過截斷、填充或編碼后，序列數據常可表示為：

y : (n_sequences,)   # 可選

序列數據常見于：

? 文本數據

? 語音信號

? 用戶行為序列

從廣義上說，時間序列也屬于序列數據；但由于其順序具有明確的時間含義，并常涉及滯后、趨勢、季節性等問題，因此通常單獨作為一類討論。

示例：20 Newsgroups 數據集

Scikit-Learn 提供 20 Newsgroups 文本數據集：

print(len(data.data))

該數據集包含：

? 文本序列

? 分類標簽

通常需要使用 TF-IDF 或 詞袋模型進行特征轉換。

圖數據用于描述對象之間的關系結構。

一個典型的圖數據集通常包括：

? 節點特征矩陣

? 鄰接結構

? 節點標簽（可選）

常見表示方式：

y → 節點標簽

其中：

A : (n_nodes, n_nodes)

圖數據常見任務包括：

? 節點分類

? 鏈接預測

? 圖分類

雖然 Scikit-Learn 不是專門的圖學習框架，但可以構建樣本相似度圖：

A = kneighbors_graph(iris.data, 5)

這里 A 表示樣本之間的鄰接關系。

多模態數據集同時包含多種不同類型的數據來源。

例如：

? 圖像

? 文本

? 音頻

? 表格數據

一個樣本可能同時包含多種模態信息，例如：

圖像 + 文本描述

數據結構通常表示為多個特征矩陣：

X_text

這些矩陣通常具有相同的樣本數量：

(n_samples, ...)

關鍵在于不同模態必須按樣本一一對應，否則無法進行聯合學習。

多模態學習廣泛應用于：

? 圖像描述

? 視頻理解

? 跨模態檢索

強化學習的數據來自智能體與環境的交互過程。

每一次交互通常記錄為：

(state, action, reward, next_state)

即：

(s, a, r, s')

其中：

? state：當前環境狀態

? action：執行的動作

? reward：獲得的獎勵

? next_state：下一狀態

這些數據通常存儲在經驗集合中，例如經驗回放緩沖區（Replay Buffer）。

強化學習算法通過不斷積累這些交互數據來學習最優策略。

小結

在機器學習中，不同任務類型對應不同的數據集結構。監督學習數據集通常由特征矩陣和標簽數組組成，而無監督學習數據集通常只包含特征數據。除此之外，還存在半監督學習、時間序列、序列數據、圖數據、多模態數據以及強化學習交互數據等多種形式。理解這些常見的數據組織方式，有助于根據任務特點正確構建數據，并選擇合適的機器學習方法。

“點贊有美意，贊賞是鼓勵”