razvanalex/cwi-2018-en-wikipedia

该数据集包含多个特征，包括句子标识符、句子内容、字符起始和结束位置、标记、本地和非本地词数量、标签和概率。数据集分为训练、验证和测试集，适用于处理文本数据和相关分析。

原始信息汇总

数据集概述

特征信息

• id: 数据类型为字符串。
• sentence: 数据类型为字符串。
• start_char: 数据类型为整数64位。
• end_char: 数据类型为整数64位。
• token: 数据类型为字符串。
• n_natives: 数据类型为整数64位。
• n_non_natives: 数据类型为整数64位。
• n_dif_natives: 数据类型为整数64位。
• n_dif_non_natives: 数据类型为整数64位。
• label: 数据类型为整数64位。
• probability: 数据类型为浮点数64位。

数据分割

• train: 包含5551个样本，占用1606755字节。
• validation: 包含694个样本，占用195720字节。
• test: 包含870个样本，占用268068字节。

数据集大小

• 下载大小: 205298字节。
• 数据集总大小: 2070543字节。

配置信息

• config_name: default
  • 数据文件路径:
    • train: data/train-*
    • validation: data/validation-*
    • test: data/test-*