covertype

Dataset used in the tabular data benchmark https://github.com/LeoGrin/tabular-benchmark, transformed in the same way. This dataset belongs to the "classification on numerical features" benchmark. Original description:

**Author**: Jock A. Blackard, Dr. Denis J. Dean, Dr. Charles W. Anderson
**Source**: [LibSVM repository](http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/) - 2013-11-14
**Please cite**: For the binarization: R. Collobert, S. Bengio, and Y. Bengio. A parallel mixture of SVMs for very large scale problems. Neural Computation, 14(05):1105-1114, 2002.

This is the famous covertype dataset in its binary version, retrieved 2013-11-13 from the libSVM site (called covtype.binary there). Additional to the preprocessing done there (see LibSVM site for details), this dataset was created as follows:
-load covertpype dataset, unscaled.
-normalize each file columnwise according to the following rules:
-If a column only contains one value (constant feature), it will set to zero and thus removed by sparsity.
-If a column contains two values (binary feature), the value occuring more often will be set to zero, the other to one.
-If a column contains more than two values (multinary/real feature), the column is divided by its std deviation.
-duplicate lines were finally removed.

Preprocessing: Transform from multiclass into binary class.

本数据集为[表格数据基准测试（tabular data benchmark）](https://github.com/LeoGrin/tabular-benchmark)所用数据集，处理方式与该基准保持一致，隶属于「数值特征分类」基准任务。以下为原始描述：

**作者**：乔克·A·布莱卡德（Jock A. Blackard）、丹尼斯·J·迪恩博士（Dr. Denis J. Dean）、查尔斯·W·安德森博士（Dr. Charles W. Anderson）
**来源**：[LibSVM仓库](http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/) - 2013-11-14
**引用要求**：若涉及二值化处理，请引用以下文献：R. Collobert、S. Bengio与Y. Bengio，《用于超大规模问题的SVM并行混合模型》，《神经计算（Neural Computation）》，14(05):1105-1114，2002年。

本数据集为知名的Covertype数据集二分类版本，于2013年11月13日从LibSVM网站获取（当时该文件名为covtype.binary）。除该网站已完成的预处理步骤（详细说明请参阅LibSVM仓库）外，本数据集还进行了如下额外处理：
1. 加载未缩放的Covertype原始数据集；
2. 按列对数据执行标准化处理，规则如下：
- 若某列仅包含单一数值（常数特征），则将其置零并通过稀疏性操作移除；
- 若某列仅包含两个数值（二值特征），则将出现频次更高的取值置零，剩余取值置一；
- 若某列包含两个以上数值（多值/实值特征），则将该列数据除以其标准差；
3. 最终移除重复样本行。

预处理补充：将多分类任务转换为二分类任务。