集成学习数据集推荐：MNIST、CIFAR、ImageNet、UCI、KDD Cup

集成学习是一种强大的机器学习技术，通过结合多个模型来提高预测精度。选择合适的数据集对集成学习模型的训练和评估至关重要。以下是五个经典数据集，它们适合用于集成学习，并涵盖了图像识别、分类、回归、聚类等多种任务。

MNIST手写数字识别数据集：该数据集包括60,000张训练图像和10,000张测试图像，用于识别0到9的手写数字。
CIFAR-10/CIFAR-100数据集：CIFAR-10包括10个类别，共60,000张32x32像素的彩色图像；CIFAR-100包括100个类别，共60,000张32x32像素的彩色图像。
ImageNet数据集：该数据集包括1.2万个类别、1,000万张图像，用于图像分类、目标检测和图像分割等任务。
UCI机器学习数据集：该数据集包含各种类型的数据，包括分类、回归、聚类、文本等，适合用于集成学习中的不同任务。
KDD Cup数据集：该数据集包括各种类型的数据，包括分类、回归、聚类等，适合用于集成学习中的不同任务。

这些数据集涵盖了不同的任务类型和数据规模，能够满足各种集成学习模型的训练和评估需求。您可以根据自己的任务和需求选择合适的数据集，进行模型训练和性能评估。