美国1994年成年人人口普查数据集
数据来源：互联网公开数据
标签：人口普查, 社会研究, 收入预测, 多变量数据, 分类任务, 成人数据, 经济分析, 社会学研究
数据概述：
本数据集基于美国1994年的人口普查数据，由Barry Becker提取并整理。数据集包含48,842条记录，涵盖了14个属性，涉及人口、收入、教育、职业、家庭关系等多个方面。数据经过清洗，仅保留了满足以下条件的记录：年龄大于16岁（AAGE>16）、年收入超过100美元（AGI>100）、样本权重大于1（AFNLWGT>1）以及每周工作时间大于0小时（HRSWK>0）。数据集的主要目标是预测一个人的年收入是否超过50,000美元。
数据用途概述：
该数据集适用于多种研究和分析场景，特别是在社会学、经济学和数据分析领域。主要用途包括：
1. 收入预测：通过分类模型预测个人年收入是否超过50,000美元，适用于经济研究和政策制定。
2. 社会特征分析：研究不同社会特征（如教育水平、职业、种族等）对收入的影响，帮助理解社会不平等现象。
3. 分类任务研究：作为多变量分类任务的数据集，可用于机器学习算法的开发和验证。
4. 教育和研究：为研究人员、学生和数据科学家提供一个标准的数据集，用于学习和实践数据挖掘和机器学习技术。
5. 政策制定支持：通过分析收入分布和影响因素，为政府制定经济政策和福利计划提供数据支持。
数据字段定义：
以下是数据集中各字段的详细说明：
- 50K, <=50K：目标变量，表示个人年收入是否超过50,000美元。
- age：连续值，表示个人年龄。
- workclass：分类值，表示工作类别，包括Private、Self-emp-not-inc、Self-emp-inc、Federal-gov、Local-gov、State-gov、Without-pay、Never-worked等。
- fnlwgt：连续值，表示家庭权重，用于调整样本代表性。
- education：分类值，表示最高教育程度，包括Bachelors、Some-college、HS-grad等。
- education-num：连续值，表示教育年限。
- marital-status：分类值，表示婚姻状况，包括Married-civ-spouse、Divorced、Never-married等。
- occupation：分类值，表示职业类别，包括Tech-support、Craft-repair、Sales等。
- relationship：分类值，表示家庭关系，包括Wife、Own-child、Husband等。
- race：分类值，表示种族，包括White、Asian-Pac-Islander、Black等。
- sex：分类值，表示性别，包括Female和Male。
- capital-gain：连续值，表示资本收益。
- capital-loss：连续值，表示资本损失。
- hours-per-week：连续值，表示每周工作小时数。
- native-country：分类值，表示出生国家，包括United-States、Cambodia、England等。
数据特征：
- 数据集为多变量数据，包含连续值和分类值。
- 数据集主要适用于分类任务，特别是二分类问题（收入是否超过50,000美元）。
- 数据经过清洗，确保了较高的数据质量和可分析性。
- 数据集涵盖了广泛的社会和经济特征，提供了丰富的研究维度。
数据来源与许可：
该数据集来源于1994年美国人口普查数据库，由Barry Becker提取并整理。数据集遵循Creative Commons Attribution 4.0 International (CC BY 4.0)许可协议，允许用户在适当署名的情况下自由分享和改编数据。
引用信息：
- DOI：10.24432/C5XW20
- 附加信息：更多关于数据集的详细描述和背景信息，可参考此链接：http://cseweb.ucsd.edu/classes/sp15/cse190-c/reports/sp15/048.pdf
使用场景：
- 学术研究：用于社会学、经济学和数据科学领域的研究，特别是收入不平等、教育与收入关系等主题。
- 机器学习：作为标准数据集，用于开发和测试分类算法。
- 政策分析：为政府和非政府组织提供数据支持，评估和制定与收入相关的政策。
- 教育：用于教学和培训，帮助学生理解数据挖掘和机器学习的基本概念。
通过本数据集，研究者可以深入探究影响个人收入的各种社会和经济因素，为政策制定、学术研究和数据分析提供有力的支持。
