Datasets:

Databoost
/

optimized_adult_census

+---
+license: mit
+---
+# Documentation du Dataset - Adult Census Income Dataset Optimized
+## 1. Description générale du dataset
+Ce dataset, appelé **Adult Census Income Dataset Optimized**, est une version optimisée du dataset **Adult Census Income Dataset**. Ce dernier provient du projet **UCI Machine Learning Repository** et est couramment utilisé dans des tâches de classification pour prédire si une personne gagne plus ou moins de 50 000 dollars par an en fonction de diverses caractéristiques démographiques.
+Nous avons optimisé le dataset en ajoutant deux nouvelles colonnes : **capital_gain_loss_ratio** et **age_group**, afin d'enrichir la qualité des features. Ces ajouts visent à améliorer la performance de la modélisation, à condition qu'ils soient correctement intégrés et prétraités. Le travail a été un succès car...
+### Sources de données
+Les données ont été extraites de l'**Enquête sur le recensement des États-Unis**, un recensement démographique mené par le Bureau du recensement des États-Unis. Elles ont été utilisées par le **Census Bureau** pour estimer les revenus des adultes en fonction de différentes caractéristiques personnelles et sociales. Le dataset est disponible sur **UCI Machine Learning Repository** et est couramment utilisé dans des recherches en machine learning, en particulier pour des tâches de classification.
+Le dataset contient les informations suivantes :
+- Données démographiques telles que l'âge, le sexe, le statut marital, l'occupation, et l'origine ethnique.
+- Caractéristiques économiques, comme les revenus (ciblés pour la classification), les heures de travail par semaine, ainsi que les gains/pertes en capital.
+### Objectif de la création
+L'objectif principal de la création de ce dataset était de permettre des études sur l'influence de certaines caractéristiques socio-économiques et démographiques sur les revenus des individus. Le dataset a été conçu pour être utilisé dans des analyses de machine learning et dans des études d'analyse de données pour prédire les revenus d'une personne en fonction de ces caractéristiques. Le problème cible, **"prévoir si une personne gagne plus de 50 000 dollars ou non"**, permet de tester des modèles de classification supervisée.
+L'intention derrière sa création est de fournir un cas d'étude pour les chercheurs, praticiens du machine learning et étudiants afin de tester, entraîner et évaluer des modèles de classification (par exemple, régression logistique, arbres de décision, SVM).
+## 2. Cas d’usage IA
+### 1. Prédiction du revenu des individus
+Le cas d'usage principal de ce dataset est la prédiction du revenu annuel d'un individu (plus ou moins de 50 000 dollars) en fonction de différentes caractéristiques, telles que l'âge, l'éducation, l'occupation, les heures de travail par semaine, et d'autres facteurs démographiques. Ce problème peut être formulé comme une classification binaire (revenu > 50 000 ou non).
+**Applications possibles :**
+- **Développement de modèles de scoring de crédit** : Les institutions financières pourraient utiliser ce type de modèle pour évaluer la capacité de remboursement d'un individu en fonction de ses caractéristiques socio-économiques.
+- **Analyse de l'inégalité salariale** : L'IA pourrait être utilisée pour explorer les facteurs qui influencent les écarts salariaux dans une société et identifier des tendances spécifiques liées à des groupes démographiques.
+### 2. Évaluation des inégalités économiques et sociales
+Les chercheurs peuvent utiliser ce dataset pour étudier les disparités salariales entre différents groupes en fonction de critères tels que le sexe, l'éducation, ou l'ethnie. L'IA peut être utilisée pour analyser la corrélation entre ces facteurs et déterminer des biais potentiels dans le marché du travail.
+**Applications possibles :**
+- **Systèmes de recommandation de politiques publiques** : L'IA peut identifier des groupes sociaux les plus vulnérables à la pauvreté et recommander des politiques ciblées pour améliorer l'égalité des chances.
+- **Prévisions d'inégalité économique** : Les modèles prédictifs peuvent fournir des informations sur l'évolution des écarts de revenus en fonction des changements dans les facteurs socio-économiques.
+### 3. Amélioration des stratégies d'embauche et d'inclusion
+En analysant ce dataset, les entreprises peuvent mettre en place des systèmes d'aide à la décision pour les ressources humaines. Cela pourrait inclure des modèles prédictifs d'embauche qui visent à identifier les candidats les plus susceptibles de réussir dans un rôle donné, tout en prenant en compte les aspects liés à la diversité et à l'inclusion.
+**Applications possibles :**
+- **Équité dans les décisions de recrutement** : Utiliser l'IA pour réduire les biais dans le recrutement, notamment en s'assurant que des facteurs tels que le sexe, l'âge ou l'origine ethnique n'influencent pas indûment les décisions d'embauche.
+- **Optimisation des politiques de rémunération** : Identifier les critères qui ont un impact disproportionné sur la rémunération pour garantir des politiques salariales plus équitables.
+### 4. Prédiction de l'impact des programmes d'éducation et de formation
+Le dataset contient des informations sur le niveau d'éducation des individus, ce qui permet de prédire l'impact des programmes éducatifs et de formation sur les revenus. L'IA peut être utilisée pour analyser les bénéfices économiques de l'éducation et des qualifications professionnelles.
+**Applications possibles :**
+- **Analyse de rentabilité des formations professionnelles** : L'IA peut prédire l'impact économique de divers types de formations professionnelles sur les revenus futurs des individus.
+- **Optimisation des investissements éducatifs** : Les gouvernements et les entreprises peuvent utiliser les modèles IA pour investir dans les programmes éducatifs les plus efficaces pour maximiser les retours économiques sur leurs investissements.
+### 5. Analyse des tendances démographiques dans les données sociales
+L'IA peut être utilisée pour extraire des tendances à long terme à partir de ce dataset, comme l'évolution des comportements de travail ou les changements dans les revenus en fonction de l'âge, du sexe, et d'autres critères démographiques.
+**Applications possibles :**
+- **Prévisions des tendances du marché du travail** : L'IA peut aider à prédire les changements futurs dans le marché du travail, tels que l'évolution des types d'emplois les mieux rémunérés.
+- **Identification des populations sous-représentées** : Utilisation des modèles de classification pour repérer les groupes sous-représentés dans certaines professions ou secteurs.
+## 3. Description des colonnes
+### Nombre de colonnes : 17 (incluant les deux nouvelles colonnes)
+### Nombre de lignes : 32 562 lignes
+1. **âge**
+   - **Description** : L'âge de l'individu en années.
+   - **Type** : int64
+   - **Utilisation** : L'âge est souvent utilisé pour segmenter les individus en fonction des groupes d'âge (par exemple, jeunes, adultes, seniors).
+2. **workclass**
+   - **Description** : La catégorie de travail de l'individu (secteur privé, travailleur indépendant, gouvernement, etc.).
+   - **Type** : string
+3. **fnlwgt**
+   - **Description** : Le "final weight" (poids final), utilisé pour ajuster l'échantillon afin qu'il représente co