| Breast Cancer Wisconsin (Diagnostic)，WDBC |
01、04、05、06、09、10、11 |
sklearn.datasets.load_breast_cancer（離線可用）；UCI 17 |
569 × 30 |
良性（357）／惡性（212） |
CC BY 4.0（UCI 頁面實查） |
Street WN, Wolberg WH, Mangasarian OL. SPIE 1905, 1993；DOI 10.24432/C5DW2B |
30 個特徵是 10 種細胞核影像測量值 × (mean, SE, worst)，高度共線；sklearn 版 target 0=惡性、1=良性，與直覺相反；準確率偏高，易讓人低估難度 |
| Heart Failure Clinical Records |
02、07、08 |
第 2 章：pd.read_csv("https://archive.ics.uci.edu/static/public/519/heart+failure+clinical+records.zip")，ucimlrepo.fetch_ucirepo(id=519) 為備援；第 7、8 章：pd.read_csv(".../machine-learning-databases/00519/heart_failure_clinical_records_dataset.csv")；UCI 519 |
299 × 12（加 death_event 共 13 欄） |
death_event（死亡 32.1%） |
CC BY 4.0（UCI 頁面實查） |
Chicco D, Jurman G. BMC Med Inform Decis Mak 2020;20:16；原始資料 Ahmad T et al. PLoS One 2017;12:e0181001；DOI 10.24432/C5Z89R |
單一醫院（巴基斯坦 Faisalabad）、樣本小；time（追蹤天數）是 outcome 的結果性變數，用於預測會有資料洩漏（第 7 章 §4.2 示範），須移除或明講；platelets 欄疑似平均值填補（本站作者推測） |
| Chronic Kidney Disease（CKD） |
03 |
pd.read_csv 讀 https://archive.ics.uci.edu/static/public/336/data.csv（經 requests 下載）；下載失敗時退回模擬資料 make_fake_ckd()，輸出會標示 SYNTHETIC；UCI 336 |
400 × 24 |
ckd／notckd |
CC BY 4.0（UCI 頁面實查） |
Rubini L, Soundarapandian P, Eswaran P（Apollo Hospitals, 印度）, 2015；DOI 10.24432/C5G020 |
約 1,012 格遺漏值；類別欄字串不一致；標籤含髒值（'ckd\t' 與 'ckd' 並存）；原始資料沒有混單位，第 3 章的肌酸酐 µmol/L 混雜（20% 列 ×88.4）是教學用人工注入 |
| Diabetes（sklearn 內建） |
04、10 |
sklearn.datasets.load_diabetes（第 4 章 scaled=False 保留原始單位；第 10 章 return_X_y=True, as_frame=True） |
442 × 10 |
一年後疾病進展指標（連續） |
查不到（隨 scikit-learn BSD-3 散布；原始資料授權未驗證） |
Efron B, Hastie T, Johnstone I, Tibshirani R. Least angle regression. Ann Stat 2004;32:407–499 |
預設 scaled=True 時特徵已置中縮放、失去原始單位；sex 為連續數值編碼；s1、s2 高度共線 |
| Medical Abstracts TC Corpus |
05 |
pd.read_csv 讀 GitHub raw：https://raw.githubusercontent.com/sebischair/Medical-Abstracts-TC-Corpus/main/medical_tc_train.csv、medical_tc_test.csv；GitHub（sebischair） |
訓練 11,550、測試 2,888（文字） |
5 類疾病大類（腫瘤、消化、神經、心血管、一般病理） |
Hugging Face 卡片（TimSchopf/medical_abstracts）標 CC BY-SA 3.0；GitHub repo 本身未標授權；未驗證 |
請以 repo README 為準（撰寫時未核對論文引用細節） |
單標籤但摘要可能屬多類；「一般病理」為雜項類別、界線模糊；MultinomialNB 準確率約 0.53（實測），屬預期 |
| Heart Disease（Cleveland 子集） |
07、10 |
pd.read_csv(".../machine-learning-databases/heart-disease/processed.cleveland.data", names=cols, na_values="?")，第 7 章以 ucimlrepo.fetch_ucirepo(id=45) 為備援；UCI 45 |
303 × 13（加 num 共 14 欄） |
是否有心臟病（num > 0 二元化） |
CC BY 4.0（UCI 頁面實查） |
Detrano R et al. Am J Cardiol 1989;64:304–310；DOI 10.24432/C52P4X |
1988 年單一中心；遺漏值 6 格（ca、thal）；cp、thal、slope 為類別卻以整數呈現，線性模型須 one-hot；無表頭、? 為遺漏值；網路流傳的 heart.csv 來源不明，請固定引用 UCI 45 |
| PneumoniaMNIST（MedMNIST v2） |
09、12 |
NumPy 讀取 Zenodo 的 pneumoniamnist.npz：https://zenodo.org/records/10519652/files/pneumoniamnist.npz?download=1（不需 medmnist 套件）；MedMNIST |
訓練集 4,708，28×28 灰階影像 |
正常（1,214）／肺炎（3,494） |
CC BY 4.0（medmnist.INFO 實測） |
Yang J et al. Sci Data 2023;10:41；Yang J, Shi R, Ni B. IEEE ISBI 2021；原始影像 Kermany DS et al. Cell 2018;172:1122–1131 |
肺炎佔約 74%，準確率會虛高，須搭配 AUC 與召回率；28×28 解析度遠低於臨床可用；原始影像為單一醫學中心的小兒胸部 X 光；MedMNIST 各子集授權不同（如 DermaMNIST 為 CC BY-NC 4.0），勿假設整包同授權 |
| BloodMNIST（MedMNIST v2） |
12 |
NumPy 讀取 Zenodo 的 bloodmnist.npz：https://zenodo.org/records/10519652/files/bloodmnist.npz?download=1（約 35 MB，不需 medmnist 套件）；MedMNIST |
訓練集 11,959、驗證集 1,712、測試集 3,421，28×28×3 彩色影像 |
8 類周邊血球：basophil、eosinophil、erythroblast、immature granulocytes、lymphocyte、monocyte、neutrophil、platelet |
CC BY 4.0（medmnist.INFO 實測） |
Yang J et al. Sci Data 2023;10:41；Yang J, Shi R, Ni B. IEEE ISBI 2021；原始影像 Acevedo A et al. Data Brief 2020;30:105474 |
類別不平衡（訓練集最少 basophil／lymphocyte 約 850 張、最多 neutrophil 2,330 張）；28×28 解析度遠低於臨床抹片判讀；原始影像的收集機構與族群請見 Acevedo 2020（未逐頁核對），表現不可外推；Zenodo 下載偶爾偏慢 |
| BreastMNIST 128×128（MedMNIST v2） |
13 |
NumPy 讀取 Zenodo 的 breastmnist_128.npz：https://zenodo.org/records/10519652/files/breastmnist_128.npz?download=1（約 11 MB，不需 medmnist 套件） |
780 張 128×128 灰階乳房超音波（train 546／val 78／test 156） |
惡性（原始標籤 0；train 147）／正常＋良性（原始標籤 1；train 399） |
CC BY 4.0（medmnist 3.0.2 INFO） |
Yang J, et al. Sci Data 2023;10:41；原始資料 Al-Dhabyani W, et al. Data Brief 2020;28:104863 |
原始標籤 0 = 惡性，與直覺相反；單一醫院；原始 BUSI 有約 19% 重複影像、70 張腋下影像、≥19 張標籤存疑、許多測量游標標在病灶上（Pawłowska 2023），BreastMNIST 總數同為 780，推測未剔除；測試集僅 156 張，AUC 信賴區間寬 |
| Gretel symptom_to_diagnosis |
15 |
pd.read_json("https://huggingface.co/datasets/gretelai/symptom_to_diagnosis/resolve/main/train.jsonl", lines=True)（test 同理）；HF |
訓練 853＋測試 212 筆英文症狀描述（中位數 28 字，最長 55 字） |
22 種診斷（每類訓練約 32–40 筆） |
Apache-2.0（HF 實查）；上游 Kaggle Symptom2Disease 為 CC0 |
Gretel.ai（HF dataset card）；上游 Barman NR, Kaggle Symptom2Disease |
由 LLM 改寫的合成主訴、非真實病人資料；22 類刻意均衡，與真實盛行率無關；句型高度模板化（約 97% 以 "I" 開頭），成績會比真實病歷樂觀；沒有「以上皆非」類別；訓練集內 4 句重複、1 句測試句與訓練集完全相同 |
| CDC Diabetes Health Indicators |
11 |
pd.read_csv("https://archive.ics.uci.edu/static/public/891/data.csv")，備援 ucimlrepo.fetch_ucirepo(id=891)；UCI 891 |
253,680 × 21 |
Diabetes_binary（陽性 13.9%） |
CC0 1.0（UCI 頁面指向 Kaggle 原始資料集；經 Kaggle API 於 2026-09-30 查詢，licenseName 為 CC0: Public Domain） |
DOI 10.24432/C53919；源自 CDC BRFSS 2015 |
BRFSS 自陳問卷，非診斷資料；Age 為 13 級分組編碼；資料量大，SVM 等須抽樣（如分層抽樣 20,000 列） |
| MIT-BIH Arrhythmia Database v1.0.0（PhysioNet） |
14、16 |
執行時從官方下載 zip：https://physionet.org/static/published-projects/mitdb/mit-bih-arrhythmia-database-1.0.0.zip（77 MB）；失敗改逐檔 https://physionet.org/files/mitdb/1.0.0/，再失敗用 HF 鏡像 epr-labs/mit-bih-arrhythmia-database。以 zip 內 SHA256SUMS.txt 驗證；NumPy 自寫讀檔器（與 wfdb 逐點比對一致）。官方頁 |
48 段 30 分鐘雙導程 Holter、360 Hz、47 位受試者；本章用 44 段非節律器紀錄（43 位受試者，201／202 合併）的 MLII 導程，切成 100,680 個心跳 × 117 點 |
AAMI 心跳類別 N 90,089／S 2,781／V 7,008／F 802（Q 15 排除） |
ODC-By v1.0 |
Moody GB, Mark RG. IEEE Eng Med Biol Mag 2001；Goldberger AL et al. Circulation 2000 |
類別極度不平衡且少數類集中在少數人（F 類 92% 來自 2 位受試者）；同一人數千個心跳，隨機切心跳會資料洩漏；1975–1979 年 BIH Arrhythmia Laboratory（Beth Israel Hospital）單一機構錄音（官方頁描述）；從台灣下載官方 zip 實測約 9 分鐘；第 16 章只用訓練受試者的 N 類心搏訓練自編碼器；AAMI N 類含束支傳導阻滯；依受試者切的第 1 折中，一位測試受試者（record 117）的正常類心搏幾乎全被判為異常（自編碼器與 PCA 皆然）；第 2 折偽陽性也有一半以上來自單一受試者（231），但總數少得多，第 3 折較分散 |
