Predicción salarial con Machine Learning en docentes contratados de la Región del Cusco - Perú
No hay miniatura disponible
Fecha
2024-04-19
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Peruana Unión
Resumen
Este artículo presenta un análisis de modelos de aprendizaje automático (ML) para predecir los salarios de 11,392 docentes contrata- dos designados en la Ugel de la región Cusco-Perú´, utilizando datos recientes del sistema único de planillas. El punto focal del estudio son los docentes contratados, excluyendo deliberadamente del análisis los salarios de los docentes nombrados. Un resultado significativo de esta investigación es la identificación de un nuevo modelo de ML capaz de predecir los salarios de los docentes con considerable precisión, basado en variables regresoras estrechamente relacionadas con el salario. Este hallazgo es digno de mención porque llena un vacío en las aplicaciones de ML existentes para la predicción salarial, lo que indica una dirección prometedora para futuras investigaciones en esta área. La metodología empleada para analizar los datos salariales, si bien es exhaustiva, no tiene en cuenta las diferencias de género, que pueden afectar la variación salarial durante el periodo de tres años considerado. Este descuido sugiere que las investigaciones futuras deberían incluir una gama más amplia de variables, incluido el género, para mejorar la precisión y aplicabilidad de las predicciones salariales tanto para los docentes nombrados como para los contratados. Un enfoque de este tipo podría proporcionar información más matizada sobre los factores que influyen en los salarios de los docentes y ayudar a desarrollar modelos salariales más equitativos y eficaces. Una de las contribuciones clave del artículo es el examen detallado de los factores que influyen en los salarios de los docentes designados, incluida la edad, el cargo, el nivel educativo, el código modular, las horas semanales, el periodo y otras variables Dummy. El uso de modelos Decision Tree Regressor(DTR), Gradient Boosting Regressor(GBR), Random Forest Regressor(RFR), Red Neuronal Regresor(RNR) y Support Vector Regressor(SVR) arrojo métricas precisas para elegir el mejor modelo para la predicción salarial. Esta investigación no solo avanza nuestra comprensión de los determinantes de los salarios docentes en la región de Cusco-Perú, sino que también ofrece un marco valioso para estudios similares en otros contextos.
Descripción
Palabras clave
Aprendizaje automático, Remuneración, Aumento de gradiente, Árbol de decisión, Bosque aleatorio, Vector de soporte