Part 09 — Dataset / Data Collection

Dataset / Data Collection অংশে বলা হয় — তোমার প্রমাণ (evidence) কোথা থেকে এলো, কেমন সেই data। গবেষণার ফলাফল যতটা ভালো, তার data ততটাই ভালো হতে হবে।

📦 যা উল্লেখ করতে হয়

📊 ছোট উদাহরণ টেবিল

বৈশিষ্ট্য	মান
উৎস	Public phishing URL dataset
মোট নমুনা	20,000 URL
Class	Phishing / Legitimate (2)
Feature	30টি lexical feature
Split	70% train / 15% val / 15% test

Data leakage সতর্কতা: test data দিয়ে যেন কোনোভাবেই training না হয় (যেমন split-এর আগে scaling করা)। leakage হলে ফলাফল অবাস্তব রকম ভালো দেখায়, বাস্তবে ভেঙে পড়ে।

🔎 আমাদের গল্পের গবেষণা (Running Example):
“A Machine Learning Approach for Detecting Phishing Websites”

আমরা একটি public dataset ব্যবহার করব (উৎস উল্লেখসহ), duplicate URL বাদ দেব (exclusion), এবং split-এর পর কেবল training set থেকে feature scaling শিখব — যাতে leakage না হয়।

🎯 Mini Cheat Sheet

এক কথায় (What is it?): গবেষণার প্রমাণ/data-এর উৎস ও বৈশিষ্ট্যের বর্ণনা।

মূল কাজ (Main job): কোন data-র ওপর দাবি দাঁড়িয়ে আছে তা স্বচ্ছ করা।

যা অবশ্যই থাকবে (Must contain):

উৎস (public/private)
size, feature, class
collection পদ্ধতি
train/val/test split
leakage এড়ানোর ব্যবস্থা
ethics/privacy (প্রাসঙ্গিক হলে)

যা থাকবে না (Should NOT contain):

data ছাড়া দাবি
test দিয়ে training
উৎস গোপন রাখা

Beginner mistake: Split-এর আগে পুরো data-তে preprocessing করে data leakage ঘটানো।

Quick formula: Source → Size → Features → Split → No-Leakage → Ethics

🧠 মনে রাখার এক লাইন: খারাপ data = খারাপ গবেষণা; leakage = মিথ্যা সাফল্য।