یک رویکرد یادگیری ماشین برای پیشبینی دستمزد در بازار کار ایران: مطالعه موردی بر داده های جاب ویژن

هدف این پژوهش طراحی و ارزیابی مدل های یادگیری ماشین برای پیش بینی بازه های دستمزدی افراد در بازار کار ایران بر اساس داده های واقعی حاصل از آگهی های شغلی پلتفرم جاب ویژن است. دو الگوریتم یادگیری جمعی شامل جنگل تصادفی و XGBoost بر روی مجموعه داده ای مشتمل بر ویژگی های شغلی فردی و سازمانی پیاده سازی شدند. نتایج ارزیابی نهایی نشان داد که مدل XGBoost با عملکرد بهتری نسبت به مدل جنگل تصادفی ارائه داده است. تحلیل اهمیت ویژگی ها نشان داد که رده شغلی به عنوان موثرترین عامل معرفی شد، اما XGBoost تاکید بیشتری بر مهارت های فنی داشت. با وجود عملکرد قابل قبول، محدودیت های داده ای مانع از دستیابی به دقتی بالاتر از ۸۰ شد که نشان می دهد چارچوب پیشنهادی قابل بهبود است.

کلیدواژه ها:

پیشبینی دستمزد ، یادگیری جمعی ، جنگل تصادفی ، XGBoost ، اهمیت ویژگی ها ، بازار کار