Modelos de Machine Learning para la predicción del salario en docentes peruanos de educación básica regular

Tinoco Ramos, José Luis; Yupanqui Arellano, Jhoset Yamiel

Modelos de Machine Learning para la predicción del salario en docentes peruanos de educación básica regular

dc.contributor.advisor	Soria Quijaite, Juan Jesús
dc.contributor.author	Tinoco Ramos, José Luis
dc.contributor.author	Yupanqui Arellano, Jhoset Yamiel
dc.date.accessioned	2024-10-18T15:09:25Z
dc.date.available	2024-10-18T15:09:25Z
dc.date.issued	2024-06-05
dc.description.abstract	La investigación proporciona un análisis profundo de la predicción del salario docente peruano, utilizando datos de la UGEL Ventanilla en Lima Perú y aplicando varios algoritmos predictivos de aprendizaje automático. A pesar del desafiante contexto de la variabilidad salarial en las organizaciones educativas, el estudio logró un alto grado de precisión, con el modelo de regularización Elastic Net a la cabeza. La investigación recopiló 108 317 registros docentes nombrados en cinco años correspondientes de 2018 - 2023, tomando el 80% (86 654) para el entrenamiento y el 20% (21 663) para el testeo de los modelos en estudio, con el objetivo de identificar la precisión de los algoritmos predictivos de machine learning Regresión lineal, Lasso, Ridge y Elastic Net a partir del análisis del salario docente. La investigación analizó la edad, el nivel educativo, el tiempo de servicio, la escala docente y las horas laborales como regresoras y el salario docente como predictor en un entorno normalizado por la exigencia de los supuestos inferenciales que fueron significativas estadísticamente, encontrando un salario promedio de 2771.80 soles peruanos y un modelo de regresión lineal múltiple significativo con pvalue menor a 2.2e-16, un RMSE=895.3793, MAE=619.7701, regresión Ridge con un RMSE=896.5645, MAE=622.6167, regresión Lasso con un RMSE=895.3673, MAE=619.8510, regresión Elastic Net, con un RMSE=895.3870 y MAE=619.8605. Los resultados indican que el algoritmo predictivo óptimo fue el modelo Elastic Net con 𝛼 = 0.5555556 y 𝜆13 = 0.20 con coeficientes 𝛽0 = −3092.582975; 𝛽1 = −4.824496; 𝛽2 = 22.972778; 𝛽3 = 17.623234; 𝛽4 = −88.511756; 𝛽5 = 191.104877 y un RMSE de 895.3870 aplicado en un entorno del salario docente.
dc.description.escuela	Escuela Profesional de Ingeniería de Sistemas
dc.description.lineadeinvestigacion	Inteligencia artificial
dc.description.sede	Lima
dc.format	application/pdf
dc.identifier.uri	http://repositorio.upeu.edu.pe/handle/20.500.12840/8012
dc.language.iso	spa
dc.publisher	Universidad Peruana Unión
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Regularización
dc.subject	Machine learning
dc.subject	Salario docente
dc.subject	Lasso
dc.subject	Ridge
dc.subject	Elastic net
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#2.02.04
dc.title	Modelos de Machine Learning para la predicción del salario en docentes peruanos de educación básica regular
dc.type	info:eu-repo/semantics/bachelorThesis
renati.advisor.dni	21504919
renati.advisor.orcid	https://orcid.org/0000-0002-4415-8622
renati.author.dni	44670202
renati.author.dni	43462773
renati.discipline	612076
renati.juror	Alvizuri Llerena, Geraldine Verónica
renati.juror	Asin Gomez, Fernando Manuel
renati.juror	Saboya Rios, Nemias
renati.juror	Pineda Anco, Ferdinan Edgardo
renati.juror	Soria Quijate, Juan Jesus
renati.level	http://purl.org/pe-repo/renati/nivel#tituloProfesional
renati.type	http://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería de Sistemas
thesis.degree.grantor	Universidad Peruana Unión. Facultad de Ingeniería y Arquitectura
thesis.degree.name	Ingeniero de Sistemas