Soria Quijaite, Juan JesúsTinoco Ramos, José LuisYupanqui Arellano, Jhoset Yamiel2024-10-182024-10-182024-06-05http://repositorio.upeu.edu.pe/handle/20.500.12840/8012La 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.application/pdfspainfo:eu-repo/semantics/openAccessRegularizaciónMachine learningSalario docenteLassoRidgeElastic netinfo:eu-repo/semantics/bachelorThesishttp://purl.org/pe-repo/ocde/ford#2.02.04