wwydmanski/tabular-letter-recognition

该数据集的目的是识别大量黑白矩形像素显示为英文字母表中的26个大写字母之一。数据集包含20,000个独特的刺激物，每个刺激物被转换为16个原始数值属性，并缩放到0到15的整数范围内。通常使用前16,000个数据进行训练，剩余的4,000个数据用于预测字母类别。属性信息包括水平位置、垂直位置、宽度、高度、总像素数、像素均值、像素方差、像素相关性等16个属性。

原始信息汇总

数据集概述

基本信息

• 任务类别：表格分类（tabular-classification）
• 标签：表格（tabular）
• 美观名称：表格字母识别（Tabular letter recognition）
• 大小类别：数据量介于1万至10万之间（10K<n<100K）

数据集来源

• 创建者：David J. Slate
• 创建者联系信息：Odesta Corporation; 1890 Maple Ave; Suite 115; Evanston, IL 60201

数据集信息

• 目标：识别大量黑白矩形像素显示为26个英文字母中的一个。
• 数据生成：基于20种不同字体，每个字母在这些字体中随机扭曲，生成20,000个独特的刺激。
• 数据处理：每个刺激转换为16个基本数值属性（统计时刻和边缘计数），然后缩放到整数值范围0至15。
• 训练与测试：通常使用前16,000个项目进行训练，然后用得到的模型预测剩余4,000个项目的字母类别。

属性信息

1. x-box：框的水平位置（整数）
2. y-box：框的垂直位置（整数）
3. width：框的宽度（整数）
4. high：框的高度（整数）
5. onpix：总像素数（整数）
6. x-bar：框内激活像素的x平均值（整数）
7. y-bar：框内激活像素的y平均值（整数）
8. x2bar：x的平均方差（整数）
9. y2bar：y的平均方差（整数）
10. xybar：x和y的平均相关性（整数）
11. x2ybr：x平方乘以y的平均值（整数）
12. xy2br：x乘以y平方的平均值（整数）
13. x-ege：从左到右的边缘计数平均值（整数）
14. xegvy：x-ege与y的相关性（整数）
15. y-ege：从下到上的边缘计数平均值（整数）
16. yegvx：y-ege与x的相关性（整数）

搜集汇总

数据集介绍

构建方式

该数据集旨在解决英文字母识别问题，其构建过程融合了字体多样性与随机形变策略。具体而言，研究者基于20种不同字体，对每个大写字母进行随机扭曲，生成了20,000个独特的视觉刺激样本。每个样本均为黑白矩形像素显示，并进一步被转化为16个原始数值属性，涵盖统计矩与边缘计数等特征。这些属性经过缩放处理，映射至0至15的整数区间，从而形成规范化的表格数据。数据集被划分为16,000个训练样本与4,000个测试样本，为分类模型的训练与评估提供了坚实基础。

特点

数据集的核心特点在于其高度的结构性与可控性。所有样本均源自字母图像的量化表示，16个属性完整捕捉了字符的几何与纹理信息，包括位置、尺寸、像素密度及边缘分布等。这些属性经过精心设计，既保留了识别任务所需的判别力，又避免了原始图像的冗余噪声。此外，数据集的规模适中（约20,000条记录），适用于中小规模机器学习实验，其属性值的整数化处理也简化了模型输入的处理流程。

使用方法

该数据集作为表格分类任务的典型代表，可直接用于训练与评估分类算法。用户通常将前16,000个样本作为训练集，后4,000个作为测试集，以预测每个样本对应的字母类别（A至Z）。在预处理阶段，无需额外的特征工程，因为所有属性已标准化为整数。支持向量机、随机森林或神经网络等模型均可直接应用于此数据集。通过交叉验证或超参数调优，研究者能有效比较不同算法在字母识别任务上的性能表现。

背景与挑战

背景概述

光学字符识别作为模式识别领域的经典课题，其核心在于从图像中准确提取并分类文字信息。由David J. Slate于上世纪90年代初创建的tabular-letter-recognition数据集，旨在解决英文字母的多字体识别问题。该数据集囊括了20种不同字体，通过随机扭曲生成20,000个独特样本，每个样本以16个原始数值属性（如统计矩与边缘计数）表征，并归一化至0至15的整数范围。这一设计不仅为机器学习模型提供了高维度、低噪声的输入特征，更推动了从像素级图像到结构化特征向量的范式转换。在后续研究中，该数据集常被用于评估分类算法在小样本、多类别场景下的泛化能力，其简洁而富有挑战性的特征空间至今仍是验证集成学习与深度学习基线性能的重要基准。

当前挑战

该数据集所涉及的领域挑战集中体现在多字体、多形态字母的鲁棒分类上。由于样本来源于20种不同字体并施加随机畸变，同一字母的类内变异极大，而不同字母间（如'O'与'Q'）的类间差异可能极小，这对区分性特征的提取提出了严苛要求。在构建过程中，原始像素图像被压缩为16维离散整数特征，这一降维操作虽降低了计算复杂度，却不可避免地丢失了空间结构与纹理信息，使得模型难以捕捉细微的笔画差异。此外，数据集中类别分布均衡，但训练集与测试集划分固定（前16,000项训练，后4,000项测试），限制了交叉验证策略的灵活性，且原始特征取值范围狭窄（0-15），易导致数值饱和与梯度消失问题，进一步增加了非线性建模的难度。

常用场景

经典使用场景

在模式识别与机器学习领域，该数据集被广泛用作多分类任务的基准测试平台。研究者通常利用其提供的16000个训练样本与4000个测试样本，构建从原始像素属性到26个英文字母类别的映射模型。其核心价值在于将视觉字符识别问题转化为基于16维数值特征的统计学习任务，使得算法无需处理原始图像即可聚焦于特征工程与分类器设计的比较研究，成为评估决策树、支持向量机及神经网络等经典模型性能的标准测试集。

解决学术问题

该数据集主要解决了高维小样本下的字母识别泛化难题。通过人为引入字体变异与随机扭曲，模拟真实场景中字符形态的多样性，为研究特征鲁棒性与噪声容忍度提供了可控实验环境。学术上，它推动了基于统计矩与边缘计数等手工特征的有效性验证，并促使学者探讨在有限特征空间内如何平衡模型复杂度与分类精度，对理解过拟合、特征选择及集成学习等核心概念具有里程碑式意义。

衍生相关工作

该数据集衍生出一系列经典工作，包括最早将主成分分析（PCA）应用于特征降维的对比研究，以及首次系统比较朴素贝叶斯与K近邻算法在离散属性空间中的表现。后续工作进一步探索了遗传算法优化特征子集、模糊逻辑分类器以及AdaBoost集成策略在字母识别上的应用，这些成果不仅深化了对该数据集的剖析，也为后续UCI机器学习库中其他多分类基准的设计提供了方法论参照。