UCI 字母识别数据集

这是什么

UCI 字母识别数据集（Letter Recognition dataset）是 UCI 机器学习库（UCI Machine Learning Repository）收录的数据集之一。它的目标是：面对一个黑白矩形像素显示，判断它是英文字母表中 26 个大写字母中的哪一个^[1]。库中把这份数据登记为 20000 个实例、16 个特征，任务类型是多变量分类（multivariate classification）^[1]——也就是每个样本同时用多个数字描述，最后要归入许多类别中的一个，而不是只在两类之间做判断。

库中记录该数据集于 1990 年 12 月 31 日捐入^[1]。

数据是怎么造出来的

字符图像基于 20 种不同字体，每个字母都被随机变形，最终产生 20000 个互不相同的刺激样本^[1]。之所以要变形，是为了避免任务退化成对少数几种固定字形的比对：如果同样二十个形状反复出现，模型完全可以把它们背下来；让每个样本的形态都不一样，模型就必须学会跨不同写法泛化。

随后，每个样本被转换成 16 个原始数值属性，即统计矩（statistical moments）与边缘计数（edge counts），并缩放到 0 到 15 的整数值^[1]。统计矩概括的是图像中像素取值的分布——大致说明字形有多深、这份深浅如何铺开；边缘计数记录的是明暗之间发生明显跳变的次数，可以看作对轮廓和内部结构多少的一种紧凑描述。把所有属性都压进同一段小整数区间，是为了让这 16 个测量处在同一尺度上，不至于因为记录单位不同而让某一项天然占据主导。

通常怎么用

库中说明，研究者通常用前 16000 个样本训练，再对其余 4000 个样本预测字母类别^[1]。这是一条习惯性约定，而不是数据本身的规定：文件前一段当训练集，后一段当留出的测试集，不同人报告的结果才能在同一划分上相互比较。由于 26 个类别的正确答案都是已知的，评分也很直接——模型在留出样本上分错字母的比例就是错误率。类别有 26 个，这让任务比「是或否」的判断难得多。

所属的档案库

这份数据属于 UCI 机器学习库。据该库的 About 页面介绍，它最初是 1987 年由 UCI 的博士生 David Aha 以 ftp 档案的形式建立的^[2]。页面把该库描述为数据库、领域理论和数据生成器的集合，用于对机器学习算法做经验分析^[2]。字母识别数据集属于这个档案库的早期成员，那个时期正是靠一批共享的标准问题，不同地方的研究者才有可能真正比较各自的方法。它的形态也反映了这一用途：一张纯整数表格，目标列已知，体量小到用当时的机器就能下载并跑起来。

局限

16 个属性是对像素图像的极大压缩。字母形状中那些没有体现在统计矩和边缘计数里的细节，在任何算法看到数据之前就已经丢失了，因此在这份数据上的表现，衡量的是一个方法如何利用一份固定而粗糙的摘要，而不是它读字符的能力。这个任务本身也是被简化过的阅读：单个字符、干净的背景、彼此孤立，没有单词、间距或上下文可供参照。正是这些约束让它成为好用的基准，也正是这些约束让它上面的成绩，对真实世界中的文字识别说明得比名字听起来要少。

^[1]: UCI Machine Learning Repository, “Letter Recognition dataset”。

^[2]: UCI Machine Learning Repository, “About the UCI Machine Learning Repository”。