钢材退火数据集

Attribute Information: Attribute Listing: 1. family: --,GB,GK,GS,TN,ZA,ZF,ZH,ZM,ZS 2. product-type: C, H, G 3. steel: -,R,A,U,K,M,S,W,V 4. carbon: continuous 5. hardness: continuous 6. temper_rolling: -,T 7. condition: -,S,A,X 8. formability: -,1,2,3,4,5 9. strength: continuous 10. non-ageing: -,N 11. surface-finish: P,M,- 12. surface-quality: -,D,E,F,G 13. enamelability: -,1,2,3,4,5 14. bc: Y,- 15. bf: Y,- 16. bt: Y,- 17. bw/me: B,M,- 18. bl: Y,- 19. m: Y,- 20. chrom: C,- 21. phos: P,- 22. cbond: Y,- 23. marvi: Y,- 24. exptl: Y,- 25. ferro: Y,- 26. corr: Y,- 27. blue/bright/varn/clean: B,R,V,C,- 28. lustre: Y,- 29. jurofm: Y,- 30. s: Y,- 31. p: Y,- 32. shape: COIL, SHEET 33. thick: continuous 34. width: continuous 35. len: continuous 36. oil: -,Y,N 37. bore: 0000,0500,0600,0760 38. packing: -,1,2,3 classes: 1,2,3,4,5,U -- The '-' values are actually 'not_applicable' values rather than 'missing_values' (and so can be treated as legal discrete values rather than as showing the absence of a discrete value). Relevant Papers: N/A Papers That Cite This Data Set1: Qingping Tao Ph. D. MAKING EFFICIENT LEARNING ALGORITHMS WITH EXPonENTIALLY MANY FEATURES. Qingping Tao A DISSERTATION Faculty of The Graduate College University of Nebraska In Partial Fulfillment of Requirements. 2004. [View Context]. Yuan Jiang and Zhi-Hua Zhou. Editing Training Data for kNN Classifiers with Neural Network Ensemble. ISNN (1). 2004. [View Context]. Jihoon Yang and Rajesh Parekh and Vasant Honavar. DistAl: An inter-pattern distance-based constructive learning algorithm. Intell. Data Anal, 3. 1999. [View Context]. Pedro Domingos. Knowledge Discovery Via Multiple Models. Intell. Data Anal, 2. 1998. [View Context]. James J. Liu and James Tin and Yau Kwok. An Extended Genetic Rule Induction Algorithm. Department of Computer Science Wuhan University. [View Context]. Zhi-Hua Zhou and Xu-Ying Liu. Training Cost-Sensitive Neural Networks with Methods Addressing the Class Imbalance Problem. [View Context]. Citation Request: Please refer to the Machine Learning Repository's citation policy

属性信息：属性列表：
1. 家族（family）：可选取值为--、GB、GK、GS、TN、ZA、ZF、ZH、ZM、ZS
2. 产品类型（product-type）：可选取值为C、H、G
3. 钢材牌号（steel）：可选取值为-、R、A、U、K、M、S、W、V
4. 碳含量（carbon）：连续型特征
5. 硬度（hardness）：连续型特征
6. 回火轧制（temper_rolling）：可选取值为-、T
7. 状态（condition）：可选取值为-、S、A、X
8. 成型性（formability）：可选取值为-、1、2、3、4、5
9. 强度（strength）：连续型特征
10. 非时效处理（non-ageing）：可选取值为-、N
11. 表面光洁度（surface-finish）：可选取值为P、M、-
12. 表面质量（surface-quality）：可选取值为-、D、E、F、G
13. 搪瓷性能（enamelability）：可选取值为-、1、2、3、4、5
14. bc：可选取值为Y、-
15. bf：可选取值为Y、-
16. bt：可选取值为Y、-
17. bw/me：可选取值为B、M、-
18. bl：可选取值为Y、-
19. m：可选取值为Y、-
20. chrom：可选取值为C、-
21. phos：可选取值为P、-
22. cbond：可选取值为Y、-
23. marvi：可选取值为Y、-
24. exptl：可选取值为Y、-
25. ferro：可选取值为Y、-
26. corr：可选取值为Y、-
27. 蓝色/光亮/涂清漆/清洁处理（blue/bright/varn/clean）：可选取值为B、R、V、C、-
28. 光泽度（lustre）：可选取值为Y、-
29. jurofm：可选取值为Y、-
30. s：可选取值为Y、-
31. p：可选取值为Y、-
32. 形状（shape）：可选取值为卷料（COIL）、板材（SHEET）
33. 厚度（thick）：连续型特征
34. 宽度（width）：连续型特征
35. 长度（len）：连续型特征
36. 上油处理（oil）：可选取值为-、Y、N
37. 内径（bore）：可选取值为0000、0500、0600、0760
38. 包装方式（packing）：可选取值为-、1、2、3
类别（classes）：可选取值为1、2、3、4、5、U

此处的"-"实际代表"不适用（not_applicable）"而非"缺失值（missing_values）"，因此可将其视为合法的离散取值，而非离散值缺失的标识。

相关参考文献：无

引用该数据集的文献：
1. 陶清平（Qingping Tao）。《基于指数级特征的高效学习算法构建》（MAKING EFFICIENT LEARNING ALGORITHMS WITH EXPONENTIALLY MANY FEATURES）。内布拉斯加大学研究生院学位论文，2004年。[查看上下文]
2. 蒋远（Yuan Jiang）与周志华（Zhi-Hua Zhou）。《基于神经网络集成的k近邻分类器训练数据编辑方法》（Editing Training Data for kNN Classifiers with Neural Network Ensemble）。国际神经网络研讨会（ISNN）(第1卷)，2004年。[查看上下文]
3. 杨智勋（Jihoon Yang）、拉杰什·帕雷克（Rajesh Parekh）与万桑·霍纳瓦尔（Vasant Honavar）。《DistAl：一种基于模式间距离的构造性学习算法》（DistAl: An inter-pattern distance-based constructive learning algorithm）。《智能数据分析》（Intell. Data Anal），第3卷，1999年。[查看上下文]
4. 佩德罗·多明戈斯（Pedro Domingos）。《基于多模型的知识发现》（Knowledge Discovery Via Multiple Models）。《智能数据分析》，第2卷，1998年。[查看上下文]
5. 詹姆士·J·刘（James J. Liu）、詹姆斯·廷（James Tin）与郭耀（Yau Kwok）。《扩展型遗传规则归纳算法》（An Extended Genetic Rule Induction Algorithm）。武汉大学计算机学院。[查看上下文]
6. 周志华（Zhi-Hua Zhou）与刘旭英（Xu-Ying Liu）。《面向类别不平衡问题的代价敏感神经网络训练方法》（Training Cost-Sensitive Neural Networks with Methods Addressing the Class Imbalance Problem）。[查看上下文]

引用请求：请遵循机器学习数据集仓库（Machine Learning Repository）的引用规范。

搜集汇总

背景与挑战

背景概述

钢材退火数据集是一个用于机器学习分类任务的数据集，包含38个属性，涵盖钢材的化学成分、物理特性、加工条件和产品规格等特征，类别标签包括1至5和U。数据集特别说明属性中的'-'值代表'不适用'，而非缺失值，适用于钢材质量分析和工业制造领域的预测建模。