数据集概述
本数据集是论文《How Do Machine Learning Models Change?》的复现包，包含在Hugging Face平台收集的超过十万个模型、六十八万次提交及两千二百五十一次版本发布数据，通过分类提交类型、分析提交序列和版本发布特征，探究机器学习模型的演化规律。
文件详解
code/目录：包含所有Jupyter笔记本，按功能分为数据收集、预处理和分析模块Collection/子目录：HFExtraction.ipynb（收集模型和提交信息）、HFReleasesExtraction.ipynb（收集版本发布信息）Preprocessing/子目录：HFCommitsPreprocessing.ipynb（处理提交数据）、HFReleasesPreprocessing.ipynb（处理版本发布数据）、SwansonsClassification.ipynb（提交类型分类）Analysis/子目录：HFFileChanges.ipynb（文件变更分析）、RQ1_Analysis.ipynb（研究问题一分析）、RQ2_Analysis.ipynb（研究问题二分析）、RQ3_Analysis.ipynb（研究问题三分析）datasets/目录：包含最终处理的数据集commits_datasets/HFCommitsClassification_final.csv：分类后的提交数据（支持研究问题一、二）releases_datasets/HFReleasesClassification.csv：分类后的版本发布数据（支持研究问题三）releases_datasets/model_metadata.csv：模型元数据（支持研究问题三）metadata/目录：包含验证数据和配置文件validation_data/子目录：训练集和测试集的标注数据（如training_set_ground_truth.json）Agreement TOSEM Commit Changes.xlsx：分类和验证过程详情prompt_refinement.txt：用于LLM分类的最终提示词README.md：复现包使用说明requirements.txt：Python依赖包列表
数据来源
Hugging Face平台
适用场景
- 机器学习模型演化研究：分析模型提交类型分布、提交序列模式及版本发布特征
- 软件工程实践分析：探究机器学习模型开发中的变更规律与维护策略
- 自然语言处理应用：验证LLM在代码变更分类任务中的效果
- 数据科学复现研究：复现论文结果或扩展相关分析
