
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Oliveira, Luiz Eduardo Soares de, 1971- | - |
| Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data | - |
| Autor(es): dc.creator | Pedroso, Kelvin Henrique Vieira | - |
| Data de aceite: dc.date.accessioned | 2025-09-01T11:20:32Z | - |
| Data de disponibilização: dc.date.available | 2025-09-01T11:20:32Z | - |
| Data de envio: dc.date.issued | 2023-12-19 | - |
| Data de envio: dc.date.issued | 2023-12-19 | - |
| Data de envio: dc.date.issued | 2022 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/85738 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/85738 | - |
| Descrição: dc.description | Orientador: Prof. Luiz Eduardo Soares de Oliveira | - |
| Descrição: dc.description | Artigo apresentado como Trabalho de Conclusão de Curso | - |
| Descrição: dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science e Big Data | - |
| Descrição: dc.description | Inclui referências | - |
| Descrição: dc.description | 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. | - |
| Descrição: dc.description | 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 | - |
| Formato: dc.format | 1 recurso online : PDF. | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Palavras-chave: dc.subject | Aprendizado do computador | - |
| Palavras-chave: dc.subject | Predição (Logica) | - |
| Palavras-chave: dc.subject | Salários | - |
| Título: dc.title | Algoritmos de Machine-Learning aplicados à predição de salários com base em dados de admissão do Cadastro Geral de Empregados e Desempregados – CAGED (2022) | - |
| Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: