成人收入预测数据集：基于人口普查数据的收入分类与公平性分析基石

一、引言与背景

二、数据基本信息

1. 数据规模与格式

2. 核心字段与数据维度

• 基础人口特征：年龄（age，17-90 岁）、性别（sex，男性 67%、女性 33%）、种族（race，白人 85%、黑人 10%、其他 5%）、原产国（native.country）、家庭关系（relationship，配偶 41%、非家庭成员 26%）、婚姻状况（marital.status，已婚 46%、未婚 33%）；
• 教育与职业属性：就业类型（workclass，私人企业 70%、自雇 8%）、最高学历（education，高中毕业 32%、大学肄业 22%）、教育水平数值化（education.num，1-16 分）、职业类型（occupation，专业技术类 13%、工艺维修类 13%）、每周工作时长（hours.per.week）；
• 经济行为指标：资本收益（capital.gain）、资本损失（capital.loss）、人口普查权重（fnlwgt，用于估计人口统计数据）；
• 目标变量：收入水平（income，二分类：<=50K 美元、>50K 美元），直接锚定 “收入阈值预测” 的核心任务。

3. 内容特征与分布

• 人口与婚姻：年龄集中在 20.65-46.20 岁（占比 62%），对应职场黄金期；已婚人群占比最高，反映家庭结构对收入的稳定作用；
• 教育与就业：高中毕业是最主要的教育背景，私人企业是主流就业类型，符合美国 “大众化教育 + 市场化就业” 的特点；
• 经济指标：资本收益与损失呈现 “极少数人有显著数值” 的分布特征，多数人每周工作时长集中在 40 小时左右，符合全职工作的普遍情况；
• 收入分布：低收入群体（<=50K）占比约 76%，高收入群体（>50K）占比约 24%，呈现典型的 “低收入群体占主体” 的社会收入结构。

三、数据优势

1. 数据源权威，场景真实性强：源自美国人口普查数据库，样本选取与指标定义具有严格的统计学规范，避免了人工合成数据的偏倚问题，能真实反映现实社会的收入影响机制，结论可信度高。
2. 特征维度全面，因果逻辑清晰：涵盖从 “个人先天属性（性别、种族）” 到 “后天积累（教育、经验）”，再到 “当前状态（职业、工作时长）” 的全链条特征，与收入形成明确的因果分析路径，适配复杂的特征工程需求。
3. 适配多元任务，研究价值多元：既可用作二元分类的基准数据集（评估逻辑回归、随机森林等模型性能），又能开展公平性分析（如对比不同性别、种族的收入预测偏差），还可用于数据预处理实践（如处理缺失值、编码分类型特征）。
4. 样本量充足，统计稳健性高：3 万余条记录能支撑细粒度的亚组分析（如 “已婚男性 + 大学学历 + 专业技术职业” 群体的收入特征），同时保证模型训练的稳定性，尤其适合作为高级机器学习算法的测试数据集。

四、应用场景

1. 收入影响因素的深度归因与公平性分析

• 核心特征的收入预测力：通过特征重要性分析发现，教育水平（education.num，重要性 0.28）、每周工作时长（0.21）、婚姻状况（0.17）是预测收入的前三关键因素 —— 拥有学士及以上学历者收入超 50K 的比例（58%）是高中以下学历者（8%）的 7 倍多；已婚人群高收入比例（37%）显著高于未婚人群（11%）。
• 身份特征的公平性检验：同教育、同职业条件下，男性收入超 50K 的比例（32%）比女性（11%）高 2 倍；白人高收入比例（25%）略高于黑人（12%），这种差异既可能源于客观技能差异，也可能存在隐性偏见，为社会政策制定提供了数据靶点。
• 经济行为的调节作用：有资本收益的个体高收入比例（67%）远高于无资本收益者（21%），反映出 “资产性收入对总收入的放大效应”；每周工作时长超 60 小时者的高收入比例（45%）是 30 小时以下者（9%）的 5 倍，印证了 “劳动投入与收入的正相关”。

2. 收入分类模型构建与实践应用

1. 数据预处理：处理缺失值（如 “workclass” 中的 “?” 标记），对分类型特征进行编码（如婚姻状况采用独热编码，教育水平用 education.num 直接作为数值特征），对数值特征（如 age、hours.per.week）进行标准化；
2. 模型训练与对比：基础逻辑回归模型的准确率达 82%，引入梯度提升树后准确率提升至 86%，关键改进在于捕捉了 “教育 × 职业” 的交互效应（如 “专业技术职业 + 硕士学历” 的预测精度显著提升）；
3. 模型公平性优化：通过重新加权或 adversarial 去偏技术，可将性别导致的预测偏差从 15% 降至 5%，使模型在不同性别群体中保持一致的准确率，避免算法歧视；
4. 实际场景落地：政府可基于模型识别 “高收入潜力但当前低收入” 的群体（如 “年轻 + 高学历 + 兼职工作”），针对性提供就业扶持；企业可将模型作为薪酬体系合理性的校验工具，评估同岗位不同群体的收入差异是否合理。

五、结尾