机器学习预测内外向人格：从数据探索到模型构建

1. 项目背景与目标

人格特质预测一直是心理学和机器学习交叉领域的热门研究方向。作为一名长期从事数据科学工作的从业者，我最近在Kaggle上发现了一个关于内外向人格预测的有趣数据集。这个项目让我想起了大学时选修的心理学课程，当时我们就讨论过如何用量化的方法来研究人格特质。

内外向人格是心理学"大五人格"理论中的重要维度之一。传统上，心理学家通过问卷调查来评估一个人的内外向程度。但在这个数字时代，我们是否可以通过人们的行为数据来预测这一特质呢？这正是本项目要探索的核心问题。

2. 数据集解析

2.1 数据来源与结构

数据集来自Kaggle平台，包含18,524条记录，每条记录代表一个匿名用户的社交行为数据。数据字段包括：

• 基础特征：

  • Time_spent_Alone：独处时间（小时/周）
  • Stage_fear：舞台恐惧程度（1-10评分）
  • Social_event_attendance：社交活动参与度（1-10评分）

• 社交行为特征：

  • Going_outside：外出频率（1-10评分）
  • Drained_after_socializing：社交后是否疲惫（0/1）
  • Friends_circle_size：朋友圈大小（1-100）

• 线上行为特征：

  • Post_frequency：发帖频率（次/周）

• 目标变量：

  • Personality：人格类型（0=内向，1=外向）

2.2 数据质量检查

在开始分析前，我们需要对数据进行全面的质量检查：

python复制# 数据加载与初步检查
import pandas as pd
df = pd.read_csv("personality_data.csv")

print(f"数据集形状: {df.shape}")
print("\n缺失值统计:")
print(df.isnull().sum())

print("\n数据类型检查:")
print(df.dtypes)

print("\n目标变量分布:")
print(df['Personality'].value_counts(normalize=True))

从初步检查来看，数据集相对干净，缺失值较少（约0.5%），且目标变量分布均衡（内向48.7%，外向51.3%）。这种平衡分布对我们的建模非常有利，不需要进行过采样或欠采样处理。

3. 探索性数据分析(EDA)

3.1 单变量分析

我们先来看各个特征的分布情况：

python复制import matplotlib.pyplot as plt
import seaborn as sns

# 设置可视化风格
plt.style.use('seaborn')
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文显示

# 数值特征分布
num_features = ['Time_spent_Alone', 'Stage_fear',