كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / یازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

پیش‌بینی بازه‌های دستمزدی افراد در بازار کار ایران با استفاده از الگوریتم‌های یادگیری ماشین: مطالعه‌ای مبتنی بر آگهی‌های پلتفرم جاب‌ویژن

نویسندگان :

امین حسن‌خانی¹ امیر ابراهیمی‌زاده²

1- دانشگاه شهید باهنر کرمان 2- دانشگاه شهید باهنر کرمان

کلمات کلیدی :

پیش‌بینی دستمزد،بازارکار،داده‌کاوی،یادگیری جمعی،جنگل تصادفی،XGBoost،اهمیت ویژگی‌ها

چکیده :

هدف این پژوهش، طراحی و ارزیابی مدل‌های یادگیری ماشین برای پیش‌بینی بازه‌های دستمزدی افراد در بازار کار ایران بر اساس داده‌های واقعی حاصل از آگهی‌های شغلی پلتفرم جاب‌ویژن است. بدین منظور، دو الگوریتم یادگیری جمعی شامل جنگل تصادفی و XGBoost بر روی مجموعه داده‌ای مشتمل بر ویژگی‌های شغلی، فردی و سازمانی پیاده‌سازی شدند. این پایگاه داده‌ شامل 105194 آگهی و 20 ستون می‌باشد. پس از پیش‌پردازش داده‌ها و رفع عدم توازن در سه کلاس حقوقی (پایین، متوسط و بالا) با تکنیک SMOTE، پارامترهای هر دو مدل با استفاده از جستجوی شبکه‌ای و اعتبارسنجی متقابل بر مبنای معیار F1بهینه‌سازی گردیدند. نتایج ارزیابی نهایی بر روی داده‌های تست نشان داد که مدل XGBoost با F10.788 و صحت 0.79، عملکرد بهتری نسبت به مدل جنگل تصادفی با F1 معادل 0.767 و صحت 0.768 ارائه داده است. تحلیل اهمیت ویژگی‌ها در هر دو مدل، رده شغلی را به عنوان مؤثرترین عامل معرفی کرد، اما XGBoost تأکید بیشتری بر مهارت‌های فنی داشت، در حالی که جنگل تصادفی بر ساختار سازمانی متمرکز بود. با وجود عملکرد قابل قبول، محدودیت‌های داده‌ای مانع از دستیابی به دقتی بالاتر از 80٪ شد که نشان می‌دهد چارچوب پیشنهادی ضمن تبیین الگوی دستمزد، با داده‌های غنی‌تر قابل بهبود است. نتایج این پژوهش می‌تواند مبنایی عملی برای تحلیل‌های سیاست‌گذاری منابع انسانی و طراحی نظام‌های پرداخت مبتنی بر داده باشد.