Adult / Census Income (UCI)
Datos del censo de EE. UU. de 1994 para predecir si el ingreso de una persona supera los $50,000 anuales.
ÁreaBenchmarks Clásicos de Machine Learning
DominioBenchmark Clásico
DificultadPrincipiante
Tamaño~48,842 registros · 14 features
¿Qué puedes lograr con este dataset?
- Practicar clasificación binaria con una mezcla realista de variables numéricas y categóricas
- Explorar cuestiones de sesgo y equidad usando variables demográficas sensibles
- Comparar distintos algoritmos de clasificación en un benchmark estándar de la literatura
Descripción
Extraído del censo de EE. UU. de 1994, este dataset busca predecir si el ingreso anual de una persona supera los $50,000 a partir de variables demográficas y laborales (edad, educación, ocupación, horas trabajadas), siendo también un benchmark habitual en investigación de equidad algorítmica dado que incluye género y raza.
Casos de uso
- Clasificación binaria con variables mixtas (numéricas y categóricas)
- Investigación y enseñanza de fairness/equidad en modelos de ML
- Comparación estándar de algoritmos de clasificación en la literatura
- Práctica de codificación de variables categóricas de alta cardinalidad
Cómo cargarlo
import pandas as pd
columnas = ["age", "workclass", "fnlwgt", "education", "education-num",
"marital-status", "occupation", "relationship", "race", "sex",
"capital-gain", "capital-loss", "hours-per-week", "native-country", "income"]
df = pd.read_csv("adult.data", names=columnas, skipinitialspace=True)
print(df["income"].value_counts())Ventajas y limitaciones
Ventajas
- Tamaño intermedio ideal para practicar sin ser trivial ni pesado
- Estándar muy citado en investigación de equidad algorítmica
- Mezcla realista de tipos de variables que exige codificación cuidadosa
Limitaciones
- Datos de 1994, con categorías laborales y sociales algo desactualizadas
- Contiene sesgos históricos de género y raza que, si no se manejan con cuidado, el modelo puede reproducir