hw1-24679-tabular-dataset

这是一个包含鞋子测量数据和特征的表格数据集，适用于表格数据分析预测任务。数据集包括30条原始鞋测量记录和通过表格增强技术生成的308条合成样本。特征包括美国鞋码、鞋尺寸（毫米）、实际测量的鞋长、鞋类型、鞋颜色和鞋品牌。

原始信息汇总

Shoe Size Measurements Tabular Dataset 概述

数据集基本信息

• 名称：Shoe Size Measurements Tabular Dataset
• 创建者：Mary Zhang
• 年份：2025
• 许可证：MIT License
• 语言：英语（en）
• 数据规模：n<1K
• 来源：原始数据
• 注释创建者：专家生成
• 任务类别：表格回归、表格分类
• 标签：鞋码、表格数据、合成数据、cmu-24679

数据集组成

特征

• US size：int64（美国鞋码，6-13）
• Shoe size (mm)：int64（制造商尺寸，毫米）
• Actual measured shoe length：int64（实测鞋长，毫米）
• Type of shoe：string（运动鞋、靴子、正装鞋、运动型）
• Shoe color：string（黑色、白色、棕色、灰色、其他）
• Shoe Brand：string（耐克、阿迪达斯、Vans、匡威等）

数据划分

• original：30个手动收集的测量样本，字节数3420
• augmented：308个合成生成的样本，字节数35136
• 总下载大小：38556字节
• 总数据集大小：38556字节

数据收集与处理

收集方法

• 个人鞋类收藏测量
• 零售店尺码表
• 制造商规格
• 使用标准尺手动测量

选择标准

• 常见鞋品牌和类型
• 成人尺码（美国6-13码）
• 经验证的测量结果
• 多样化的鞋类类别

预处理流程

1. 将所有测量值转换为整数（3位毫米）
2. 标准化分类值
3. 移除无效条目
4. 验证测量一致性

增强技术

• 高斯噪声：数值特征±5%变化
• 线性插值：相似尺码之间
• SMOTE启发：邻居之间的合成样本
• 类别洗牌：10%的分类变异概率
• 相关性保持：保持尺寸关系

统计信息

原始数据摘要统计

统计量	US Size	Shoe Size (mm)	Actual Length (mm)
均值	9.5	275	279
标准差	1.8	16	17
最小值	6	240	243
最大值	13	310	315

相关性矩阵

	US Size	Shoe Size (mm)	Actual Length
US Size	1.000	0.982	0.978
Shoe Size (mm)	0.982	1.000	0.995
Actual Length	0.978	0.995	1.000

分布情况

类别	值	最常见
类型	4个唯一值	运动鞋（50%）
颜色	5个唯一值	黑色（40%）
品牌	6个唯一值	耐克（27%）

预期用途

适用场景

• 鞋码预测模型
• 表格增强研究
• 回归/分类任务
• 教育演示
• 尺码转换算法

局限性

• 原始数据集较小（30个样本）
• 仅限于成人尺码
• 可能无法平等代表所有品牌
• 增强数据保持原始分布
• 不适用于医疗/矫形应用

伦理考虑

代表性

• 仅限于常见美国尺码
• 可能无法代表全球尺码标准
• 品牌选择基于可用性

隐私

• 不包含个人信息
• 测量结果匿名化
• 无个人脚部测量数据

偏见考虑

• 西方品牌偏见
• 成人尺码焦点
• 可能无法代表专业鞋类

引用

bibtex @dataset{zhang2025shoe, author = {Mary Zhang}, title = {Shoe Size Measurements Tabular Dataset}, year = {2025}, publisher = {Hugging Face}, note = {CMU 24-679 Homework 1}, url = {https://huggingface.co/datasets/maryzhang/hw1-24679-tabular-dataset} }

联系方式

• 创建者：Mary Zhang
• 机构：CMU 24-679
• 邮箱：[e-mail]

搜集汇总

数据集介绍

构建方式

在鞋履测量数据领域，该数据集通过严谨的多源采集策略构建而成。原始数据来源于个人鞋类收藏的实际测量、零售商店尺寸图表及制造商规格说明，采用标准尺具进行手工测量确保精度。随后运用高斯噪声注入、线性插值及SMOTE启发式方法生成合成样本，有效扩充数据规模十倍，同时保持数值特征间的高度相关性及分类分布一致性。

特点

该数据集呈现显著的多元特征结构，涵盖三组数值型尺寸指标与三组分类属性。数值特征间存在超过0.97的强相关性，分类字段包含鞋型、颜色与品牌等维度，其中运动鞋占比50%、黑色系占40%、耐克品牌达27%。数据经过严格清洗与标准化处理，确保无缺失值且量纲统一，增强模型训练的稳定性。

使用方法

该数据集适用于表格回归与分类任务，特别适合鞋码预测模型开发与数据增强技术研究。使用者可通过HuggingFace接口加载原始与增强分片，利用随机森林等算法建立尺寸映射模型。需注意其适用范围限于成人常见鞋码，不建议用于医疗评估或儿童尺码推算，使用时应当进行额外的分布验证以确保模型泛化能力。

背景与挑战

背景概述

鞋履尺寸测量表格数据集由卡内基梅隆大学24-679课程项目于2025年创建，主要研究者Mary Zhang致力于解决鞋类尺寸标准化与预测建模的核心问题。该数据集通过整合个人鞋类收藏测量、零售商店尺寸表及制造商规格等多源数据，构建了包含数值与分类特征的结构化表格，为鞋码转换算法和尺寸预测模型提供了重要基准。其在教育演示与表格数据增强技术研究领域具有显著影响力，推动了小样本表格数据合成方法的发展。

当前挑战

该数据集旨在解决鞋类尺寸标准化预测与跨品牌尺寸转换的挑战，包括制造商标注尺寸与实际测量长度的差异性问题，以及多类别鞋型尺寸分布的异质性建模困难。构建过程中面临原始样本量有限（仅30条）的约束，需通过高斯噪声注入与线性插值等增强技术扩展数据规模，同时需保持数值特征间高达0.97的相关性结构，并平衡品牌与鞋型类别代表性以避免西方品牌偏差。

常用场景

经典使用场景

在鞋类尺寸预测研究领域，该数据集为机器学习模型提供了标准化的训练基准。研究者通常利用其高度相关的数值特征构建回归模型，通过美码尺寸和制造商标注毫米数来预测实际测量长度。数据集中的分类特征如鞋型、品牌和颜色为多模态分析提供了可能，使得模型能够综合考虑款式差异对尺寸准确性的影响。增强后的样本量显著提升了模型训练的稳定性，成为表格数据增强技术研究的典型范例。

实际应用

在电子商务领域，该数据集可用于优化在线鞋类商品的尺寸推荐系统，通过历史数据训练精准的尺寸预测模型，降低消费者退货率。鞋类制造商可利用此类数据改进产品尺码标准化流程，减少因尺寸标注不准确导致的客户投诉。零售行业则能基于数据开发智能库存管理系统，根据区域消费偏好调整不同尺码的配货比例。运动品牌还可利用这些数据为专业运动员定制更符合人体工学的鞋类产品。

衍生相关工作

基于该数据集衍生的研究包括跨品牌尺寸统一化算法开发，通过迁移学习解决新品牌尺寸预测问题。在数据增强领域，研究者借鉴其合成数据生成方法，开发了适用于医疗数据保护的差分隐私增强技术。部分工作聚焦于多模态特征融合，结合图像识别与表格数据提升在线购物的尺寸匹配精度。还有研究将其扩展至全球尺码标准转换系统，建立了美码、欧码和英码之间的智能转换模型。