寻求含分类与数值预测变量的多重共线性分析专用数据集
2026-5-14
适合共线性测试与特征重要性分析的数据集推荐
嘿，我给你找了几个完全符合你需求的数据集，专门用于共线性测试和多重共线性场景下的特征重要性分析。下面是我的首选推荐：
一、泰坦尼克号生存数据集（Titanic Dataset）
这个经典数据集绝对能满足你的所有要求：
- 二元响应变量：
Survived（1表示存活，0表示未存活） - 混合类型预测变量：
- 数值变量：
Age（乘客年龄）、Fare（船票价格）、SibSp（同乘的兄弟姐妹/配偶数量）、Parch（同乘的父母/子女数量） - 分类变量：
Pclass（船舱等级：1/2/3等）、Sex（性别）、Embarked（登船港口：C/Q/S）、Ticket（船票编号，可作为分类特征处理）
- 数值变量：
- 变量说明：所有字段的定义都非常清晰，不管是官方文档还是各类数据分析教程里，都能轻松找到详细的变量解释。
适配场景的优势：
- 你可以轻松构造共线性测试场景：比如利用
Fare和Pclass的天然关联（船舱等级越高，票价通常越高），或者手动生成一个和Age高度相关的特征（比如Age*1.2 + 小幅度随机噪声）来模拟强共线性。 - 不管是用方差膨胀因子（VIF）做共线性检测，还是对比*树模型（如随机森林，对共线性鲁棒）和线性模型（如逻辑回归，受共线性影响较大）*的特征重要性差异，这个数据集都能完美支撑你的分析。
二、德国信用数据集（German Credit Dataset）
这是另一个非常适合金融领域相关分析的经典数据集：
- 二元响应变量：
CreditRisk（1表示信用良好，0表示信用不良） - 混合类型预测变量：
- 数值变量：
Duration（贷款期限，单位：月）、CreditAmount（贷款金额）、Age（申请人年龄） - 分类变量：
CheckingAccountStatus（支票账户状态）、CreditHistory（信用历史）、Purpose（贷款用途）、SavingsAccount（储蓄账户情况）等（共19个分类特征）
- 数值变量：
- 变量说明：每个分类特征的不同类别都有明确定义，比如
CheckingAccountStatus包含"无账户"、"余额<0"、"余额0-200"、"余额>200"四类，数值特征的含义也一目了然。
适配场景的优势：
- 数据本身就存在天然的共线性关系，比如
CreditAmount和Duration（贷款金额越高，期限通常越长），不需要手动构造就能直接测试共线性的影响。 - 分类特征丰富，你可以测试不同编码方式（如独热编码、目标编码）对共线性的影响，再结合特征重要性分析，能得到更全面的结论。
三、威斯康星乳腺癌诊断数据集（Wisconsin Breast Cancer Dataset）
虽然这个数据集原生以数值特征为主，但你可以轻松扩展出分类特征来满足混合类型的要求：
- 二元响应变量：
Diagnosis（M表示恶性，B表示良性） - 原有数值变量：包含30个细胞特征的数值指标（如半径、纹理、周长等，很多指标间天然存在强共线性，比如半径和周长高度相关）
- 可手动添加的分类特征：比如将现有数值特征分组（如把"半径"分成"小/中/大"三类作为分类变量），或者模拟患者性别、就诊医院等分类字段。
- 变量说明：每个数值特征的医学定义都有详细说明，方便你理解特征间的内在关联。
适配场景的优势：
- 数据集的天然共线性极强，非常适合测试各类共线性检测方法（如VIF、相关系数矩阵），以及分析共线性对线性模型特征系数和树模型特征重要性的影响。
内容的提问来源于stack exchange，提问作者atomaty
相关产品推荐
相关产品推荐
