有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Complexity Inequality and Internet data|经济不平等数据集|互联网普及率数据集
收藏Mendeley Data2024-06-13 更新2024-06-28 收录
下载链接：
https://figshare.com/articles/dataset/Complexity_Inequality_and_Internet_data/25988494
下载链接
链接失效反馈资源简介：
This is the data used in the research "Complexity Inequality and Internet". Inequality is quantified using the Gini coefficient after taxes and transfers, sourced from the Standardized World Income Inequality Database, incorporating data from the OECD, World Bank, and ECLAC (Solt, 2020). Explanatory variables include the Economic Complexity Index (ECI) from the Atlas of Economic Complexity (The Growth Lab at Harvard University, 2019), normalized within a range of -3 to +3; real GDP per capita in 2017 US dollars from the Penn World Table (Feenstra, et al., 2015); and internet access, measured as the percentage of the population using this service (The World Bank, 2023). The dataset comprises 126 countries with data spanning from 1995 to 2020.
创建时间：
2024-06-09
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
福建省龙岩市长汀县2002年森林分类经营图
该数据为福建省龙岩市长汀县2002年森林分类经营图，数据为矢量数据，包括行政单元、行政代码、类型、类型代码、标准类型、标准类型代码等属性字段，该数据为森林资源清查、规划设计等提供数据支撑服务。
国家林业和草原科学数据中心 收录
学生课堂行为数据集 (SCB-dataset3)
学生课堂行为数据集(SCB-dataset3)由成都东软学院创建，包含5686张图像和45578个标签，重点关注六种行为：举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景，通过YOLOv5、YOLOv7和YOLOv8算法评估，平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础，解决教育领域中学生行为数据集的缺乏问题。
arXiv 收录
PrimerBank
PrimerBank is a public resource for PCR primers. These primers are designed for gene expression detection or quantification (real-time PCR). PrimerBank contains over 306,800 primers covering most known human and mouse genes.
国家生物信息中心 收录
LIDC-IDRI
LIDC-IDRI 数据集包含来自四位经验丰富的胸部放射科医师的病变注释。 LIDC-IDRI 包含来自 1010 名肺部患者的 1018 份低剂量肺部 CT。
OpenDataLab 收录
OpenML-CC18
我们提倡使用经过整理的、全面的机器学习数据集基准测试套件，以标准化的基于 OpenML 的接口和用 Python、Java 和 R 编写的互补软件工具包为后盾。我们展示了如何使用标准化的基于 OpenML 的基准测试套件轻松执行全面的基准测试研究以及用 Python、Java 和 R 编写的互补软件工具包。 OpenML 基准测试套件的主要显着特点是 (i) 通过标准化数据格式、API 和现有客户端库易于使用； (ii) 关于套件内容的机器可读元信息； (iii) 在线共享结果，实现大规模比较。作为第一个这样的套件，我们提出了 OpenML-CC18，这是一个机器学习基准套件，包含 72 个分类数据集，从 OpenML 上的数千个数据集中精心策划。纳入标准是： * 密集数据集独立观察的分类任务 * 类数 >= 2，每个类至少有 20 个观察和少数类与多数类的比例必须超过 5% * 500 <= 观察数 <= 100000 * one-hot-encoding 后的特征数量 < 5000 * 没有人工数据集 * 没有更大数据集的子集，也没有其他数据集的二值化 * 没有可以通过使用单个特征或使用简单的决策树来完全预测的数据集* 来源或参考可用 如果您使用此基准测试套件，请引用：Bernd Bischl、Giuseppe Casalicchio、Matthias Feurer、Frank Hutter、Michel Lang、Rafael G. Mantovani、Jan N. van Rijn 和 Joaquin Vanschoren。 “OpenML 基准测试套件”arXiv:1708.03731v2 [stats.ML] (2019)。 @article{oml-benchmarking-suites, title={OpenML Benchmarking Suites}, author={Bernd Bischl and Giuseppe Casalicchio and Matthias Feurer and Frank Hutter and Michel Lang and Rafael G. Mantovani and Jan N. van Rijn and Joaquin Vanschoren},年={2019}，日记={arXiv:1708.03731v2 [stat.ML]} }
OpenDataLab 收录