在机器学习领域，为了评估算法在现实世界数据上的表现，常常需要获取大型数据集。这些数据集不仅包括了机器学习社区常用的基准数据，还允许在控制数据的统计特性（如特征之间的相关性和信息量）的同时，评估数据集规模（样本数和特征数）对算法性能的影响。此外，还可以生成合成数据，以便于在保持数据统计特性不变的情况下，研究数据规模的影响。
数据集的一般API提供了三种主要类型的数据集接口，以满足不同类型数据集的需求。首先是数据加载器，它们用于加载小型的标准数据集，这些数据集在“玩具数据集”部分有详细描述。其次是数据获取器，它们用于下载和加载较大的数据集，这些数据集在“真实世界数据集”部分有所介绍。无论是加载器还是获取器，它们都返回一个至少包含两个项目的Bunch对象：一个形状为n_samples*n_features的数组，其键为data（20newsgroups除外），以及一个长度为n_samples的numpy数组，包含目标值，其键为target。Bunch对象是一个字典，它将其键暴露为属性。有关Bunch对象的更多信息，请参阅Bunch文档。
几乎所有这些函数都可以通过设置return_X_y参数为True，将输出限制为仅包含数据和目标的元组。数据集还包含在其DESCR属性中的完整描述，一些数据集还包含feature_names和target_names。有关详细信息，请参见下面的数据集描述。
数据集生成函数用于生成受控的合成数据集，这些数据集在“生成数据集”部分有所描述。这些函数返回一个包含n_samples*n_features的numpy数组X和一个包含n_samples长度的目标y的数组的元组。此外，还有一些杂项工具用于加载其他格式或来自其他位置的数据集，这些在“加载其他数据集”部分有所描述。
玩具数据集通常用于算法开发的早期阶段，因为它们规模较小，易于理解和操作。这些数据集包括：
真实世界数据集通常规模较大，更接近实际应用场景，用于评估算法在复杂数据上的表现。这些数据集包括：
生成数据集允许在控制数据的统计特性的同时，生成不同规模的数据集。这些数据集的生成器包括：
除了上述数据集外，还有一些工具可以帮助加载其他格式或来自其他位置的数据集，包括：