このデータセットは、CrowdFlowerのAI性別予測器を学習するために使用されました。[ここでプロジェクトの詳細を読むことができます](https://www.crowdflower.com/using-machine-learning-to-predict-gender/)。寄稿者には、単にTwitterのプロフィールを見て、ユーザーが男性、女性、またはブランド（個人ではない）かどうかを判断するよう依頼されました。このデータセットには20,000行が含まれており、各行にはユーザー名、ランダムなツイート、アカウントプロフィールと画像、所在地、さらにはリンクとサイドバーの色が含まれています。 ## インスピレーション このデータセットを使って試してみるべき質問はいくつかあります。 - ツイートやプロフィールの単語は、ユーザーの性別をどれだけ正確に予測できるでしょうか？ - 男性または女性の性別を強く予測する単語は何ですか？ - スタイル要素（リンクの色やサイドバーの色など）は、ユーザーの性別をどれだけ正確に予測できるでしょうか？ ## 謝辞 データは、[Crowdflower](https://www.crowdflower.com)の[Data For Everyone Library](https://www.crowdflower.com/data-for-everyone/)によって提供されました。 当社のData for Everyoneライブラリは、当社のプラットフォームを通じて提供された当社が好きなオープンデータの仕事のコレクションです。これらは、コミュニティに対して無料で、いつまでも利用可能です。 ## データ このデータセットには以下のフィールドが含まれています。 - **_unit_id**：ユーザーの一意のID - **_golden**：ユーザーがモデルのゴールドスタンダードに含まれていたかどうか；TRUEまたはFALSE - **_unit_state**：観測の状態；*finalized*（寄稿者による判断）または*golden*（ゴールドスタンダードの観測）のいずれか - **_trusted_judgments**：信頼できる判断の数（整数）；非ゴールドの場合は常に3で、ゴールドスタンダードの観測には一意のIDが割り当てられることがあります - **_last_judgment_at**：最後の寄稿者の判断の日時；ゴールドスタンダードの観測では空白 - **gender**：*male*、*female*、または*brand*（人間以外のプロフィール）のいずれか - **gender:confidence**：提供された性別に対する信頼度を表す小数 - **profile_yn**：ここでの「no」は、プロフィールがデータセットの一部になることを意図されていたが、寄稿者が判断する際に利用できなかったことを意味するようです - **profile_yn:confidence**：プロフィールの存在/非存在に対する信頼度 - **created**：プロフィールが作成された日時 - **description**：ユーザーのプロフィール説明 - **fav_number**：ユーザーがお気に入りに登録したツイートの数 - **gender_gold**：プロフィールがゴールドスタンダードの場合、性別は何ですか？ - **link_color**：プロフィールのリンクの色（16進数値） - **name**：ユーザーの名前 - **profile_yn_gold**：プロフィールの有無の値がゴールドスタンダードかどうか - **profileimage**：プロフィール画像へのリンク - **retweet_count**：ユーザーがリツイートした回数（または、リツイートされた回数かもしれません） - **sidebar_color**：プロフィールのサイドバーの色（16進数値） - **text**：ユーザーのランダムなツイートのテキスト - **tweet_coord**：ユーザーが位置情報をオンにしている場合、座標を「[*緯度*, *経度*]」の形式の文字列で表したもの - **tweet_count**：ユーザーが投稿したツイートの数 - **tweet_created**：（**text**列の）ランダムなツイートが作成された日時 - **tweet_id**：ランダムなツイートのツイートID - **tweet_location**：ツイートの位置；特に正規化されていないようです - **user_timezone**：ユーザーのタイムゾーン