Qué es
Un dataset (conjunto de datos) es una colección organizada de datos, habitualmente estructurada en forma de tabla: cada fila representa una observación o registro —un cliente, una transacción, una imagen— y cada columna representa una variable que describe esa observación, como la edad, el monto o la fecha.
Tipos de datasets
- Estructurados: en forma de tabla, con columnas y tipos de datos definidos, como una hoja de cálculo o una tabla SQL.
- No estructurados: colecciones de texto, imágenes, audio o video sin una estructura tabular fija.
- Etiquetados: incluyen, además de los datos, la respuesta o categoría correcta asociada a cada observación, necesarios para entrenar modelos de aprendizaje supervisado.
Entrenamiento, validación y prueba
En machine learning, un dataset suele dividirse en subconjuntos con roles distintos: uno para entrenar el modelo, otro para ajustar sus hiperparámetros durante el desarrollo, y un tercero —que el modelo nunca vio— para evaluar su desempeño final de forma realista. Ver Train/test split y Validación cruzada.