基于1994年人口普查数据的收入预测：机器学习分类问题的经典案例研究

本项目以1994年美国人口普查Adult数据集为基础，围绕"个人年收入是否超过5万美元"的二分类问题展开，覆盖数据探索、特征工程、模型训练与评估的完整机器学习流程。通过逻辑回归、随机森林等多种模型对比，为学习者提供真实数据处理与分类任务的实战参考，是入门机器学习的经典案例。

收入预测对政策制定、信贷评估、市场营销等领域具有重要价值。本项目使用的Adult数据集（Census Income数据集）源自1994年美国人口普查局，含48842条记录，每条记录包含年龄、教育程度、职业等14个输入特征（人口统计+就业相关）及"收入是否>50K/年"的目标变量。该数据集的优势在于：规模适中、特征类型多样（数值+类别）、存在缺失值与类别不平衡等真实问题，适合练习完整的数据处理技能。

原始数据需经以下步骤处理：1.缺失值处理：针对Workclass、Occupation等字段的缺失值，采用填充（众数/中位数）策略保持完整性；2.类别编码：无序类别（如Race、Sex）用独热编码，有序类别（如Education）用标签编码；3.数值缩放：对线性模型/神经网络进行标准化或归一化；4.特征选择：通过相关性分析、模型重要性评估等剔除冗余特征（如Education与Education-Num高度相关，保留其一）。

EDA揭示：1.目标变量不平衡：76%样本收入≤50K，24%>50K；2.单变量分布：年龄集中在20-50岁，教育年限多为高中水平，工作小时数以40小时为主；3.双变量关系：高等教育、执行管理类职业与高收入强相关，1994年数据显示男性高收入比例高于女性；4.多变量：Education与Education-Num高度相关，需注意共线性。

项目实现多种分类模型：逻辑回归（基线模型）、决策树、随机森林、梯度提升树、SVM。评估方面：因类别不平衡，采用精确率、召回率、F1分数、ROC-AUC等指标；通过K折交叉验证确保泛化能力。其中随机森林与梯度提升树表现较优，能有效处理特征交互与过拟合问题。

应用场景：信贷评估（还款能力预测）、市场营销（高价值客户识别）、政策研究（收入影响因素分析）、教育规划（课程优化）。局限：数据时效性不足（1994年）、缺少现代特征（如技能证书、地理位置）、存在公平性风险（性别/种族特征可能导致偏见）。改进建议：使用更新数据源、尝试深度学习模型、进行公平性审计、增加组合特征工程。