Predicción salarial con Machine Learning en docentes contratados de la Región del Cusco - Perú

Canahuire Hilari, Segundo; Larico Carbajal, Joel Eduardo

Predicción salarial con Machine Learning en docentes contratados de la Región del Cusco - Perú

dc.contributor.advisor	Pineda Ancco, Ferdinand Edgardo
dc.contributor.author	Canahuire Hilari, Segundo
dc.contributor.author	Larico Carbajal, Joel Eduardo
dc.date.accessioned	2024-06-11T16:12:23Z
dc.date.available	2024-06-11T16:12:23Z
dc.date.issued	2024-04-19
dc.description.abstract	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.	en_ES
dc.description.escuela	Escuela Profesional de Ingeniería de Sistemas	en_ES
dc.description.lineadeinvestigacion	Tecnología de información e innovación tecnológica	en_ES
dc.description.sede	JULIACA	en_ES
dc.format	application/pdf	en_ES
dc.identifier.uri	http://repositorio.upeu.edu.pe/handle/20.500.12840/7583
dc.language.iso	spa	en_ES
dc.publisher	Universidad Peruana Unión	en_ES
dc.publisher.country	PE	en_ES
dc.rights	info:eu-repo/semantics/openAccess	en_ES
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/	*
dc.subject	Aprendizaje automático	en_ES
dc.subject	Remuneración	en_ES
dc.subject	Aumento de gradiente	en_ES
dc.subject	Árbol de decisión	en_ES
dc.subject	Bosque aleatorio	en_ES
dc.subject	Vector de soporte	en_ES
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#2.02.04	en_ES
dc.title	Predicción salarial con Machine Learning en docentes contratados de la Región del Cusco - Perú	en_ES
dc.type	info:eu-repo/semantics/bachelorThesis	en_ES
renati.advisor.dni	40424080
renati.advisor.orcid	https://orcid.org/0000-0002-5367-5904	en_ES
renati.author.dni	72637614
renati.author.dni	72220066
renati.discipline	612076	en_ES
renati.juror	Sullon Macalupu, Abel Angel
renati.juror	Mamani Pari, David
renati.juror	Saboya Rios, Nemias
renati.level	http://purl.org/pe-repo/renati/nivel#tituloProfesional	en_ES
renati.type	http://purl.org/pe-repo/renati/type#tesis	en_ES
thesis.degree.discipline	Ingeniería de Sistemas	en_ES
thesis.degree.grantor	Universidad Peruana Unión. Facultad de Ingeniería y Arquitectura	en_ES
thesis.degree.name	Ingeniero de Sistemas	en_ES