kaggle-2美国人口普查年收入50K分类

本文主要是使用xgboost， RandomForestClassifier算法实现美国1994年人口普查数据，居民年收入是否超过50K的分类问题。

主要内容如下:

1 数据预处理

• 数据信息查看，添加对应的列标签

• 缺失值处理，以及属性值替换

• Ordinal Encoding to Categoricals（string 特征转化为整数编码）

2 模型训练以及验证

• xgboost算法分类以及GridSearchCV 参数寻优

• xgboost early stopping CV

• 测试集准确率验证

• RandomForestClassifier模型分类以及验证

---

1 数据预处理

1.1 数据描述

数据集说明以及下载地址：
https://archive.ics.uci.edu/ml/datasets/Adult
https://archive.ics.uci.edu/ml/machine-learning-databases/adult/

该数据从美国1994年人口普查数据库抽取而来，可以用来预测居民收入是否超过50K$/year。该数据集类变量为年收入是否超过50k$，属性变量包含年龄，工种，学历，职业，人种等重要信息，值得一提的是，14个属性变量中有7个类别型变量.
数据集各属性是:其中序号0~13是属性， 14是类别

<

序号	字段名	含义	类型
0	age	年龄	Double
1	workclass	工作类型*	string
2	fnlwgt	序号	string
3	education	教育程度*	string