Algoritmos de Machine-Learning aplicados à predição de salários com base em dados de admissão do Cadastro Geral de Empregados e Desempregados – CAGED (2022)

Abstract

Resumo: Modelos de Machine Learning aplicados a predição de salários podem ser utilizados pelo setor público como uma ferramenta adicional ao combate à sonegação de imposto de renda e pelo setor privado no combate à taxa de turnover. O objetivo deste trabalho é explorar modelos de machine learning que possibilitem predizer salários. Para isso foi utilizado os dados de admissão de 2022 do Cadastro Geral de Empregados e desempregados – CAGED e treinados modelos em Python da biblioteca Scikit-Learn. Os estudos apontaram para os atributos de ocupação, grau de instrução e idade do admitido como os mais relevantes para predição salarial. O modelo com menor erro médio foi o GradientBoostingRegressor treinado em uma base de dados com atributos mais desagregados. Também fica patente que a distribuição dos salários majoritariamente concentrados em faixas mais baixas fez tender para baixo as predições e portanto, os modelos não desempenharam bem na predição de altas rendas.

Abstract: Machine-Learning models can be applied to wage predictions that can be used by the government as an additional tool to fight against income tax evasion and by the private sectors against increases in turnover rates. The aim of this work is to explore machine-learning models that allow us to predict wages. For this purpose, the 2022 hiring data from the General Registry of Employed and Unemployed - CAGED was used, and models were trained based on Scikit-Learn library from Python Language. The findings indicate that the occupation, educational level and age of the employee are the most relevant attributes for wage prediction. The model with the lowest mean error was the GradientBoostingRegressor trained on a dataset with more disaggregated attributes. It is also evident that the distribution of wages predominantly concentrated in lower ranges caused the predictions to tend downwards, and therefore, the models did not perform well in predicting high incomes