基于UCI的这一份美国成年人收入数据，使用机器学习算法对美国成年人的收入进行预测。
目前使用的分类模型是Logistic Regression、SVM和AdaBoost。

python==2.7
numpy==1.10.1
matplotlib==1.5.1
pandas==0.17.1

在代码主目录执行python main.py即可

1. LR的优化方法采用随机梯度下降
2. SVM使用RBF作为核函数

1. LR的预测准确率并不稳定，在74%～79%之间，SVM的预测准确率比较稳定，为83.8%左右。在对age、education_num、hours_per_week等连续数据进行离散化后，LR的预测准确率提升至84%，SVM的准确率基本没变化。AdaBoost在30次迭代是准确率为84.3%，继续增加迭代次数，准确率不会有明显的提升。
2. SVM的建立模型时所需要的参数需要使用交叉验证得到。该过程耗时很长，对32000条数据进行交叉验证，在单进程的情况下，在我的机器上耗费了超过20小时。
3. 在我的机器上，LR训练模型以及预测共耗时47.2秒，SVM耗时67.6秒，AdaBoost耗时9秒（30次迭代）。
4. 综合来说，三个分类器中，AdaBoost无论是性能还是准确率都是最好的分类器。