📊 Predicción de Sueldos MTPE - Perú

Developed by Jorge Guillermo Olarte Quispe

Universidad Nacional del Altiplano – Ingeniería de Sistemas

Predicción automatizada de remuneraciones mensuales en el sector privado peruano

Aplicación web basada en inteligencia artificial que estima el sueldo mensual de un trabajador en función de características demográficas y laborales. Utiliza datos abiertos del Ministerio de Trabajo y Promoción del Empleo (MTPE) y un modelo de machine learning (XGBoost) entrenado con datos reales.

---

Estructura del Proyecto

Módulo	Descripción	Repositorio
Frontend	Interfaz web en React + Tailwind para ingresar datos	mtpe-salary-predictor-react
Backend	API REST en Flask con modelo XGBoost	mtpe-salary-predictor-flask
Preprocesamiento	Limpieza, codificación y entrenamiento del modelo	Privado

---

s

Objetivo del Proyecto

Diseñar un sistema que, a partir de atributos como edad, nivel educativo, ocupación, ubicación, tamaño de empresa, entre otros, pueda predecir el sueldo mensual de un trabajador formal privado en Perú.

---

Tecnologías Utilizadas

• Frontend: React, TypeScript, TailwindCSS, Fetch API
• Backend: Python, Flask, XGBoost, Scikit-learn, Pandas, Joblib
• Preprocesamiento: OneHotEncoder, MinMaxScaler, Pipelines automáticos
• Dataset: MTPE Perú (2020-2023, datos semestrales)

---

Proceso de Modelado Predictivo

1. Carga de datos: CSV delimitado por ; con +10 columnas relevantes.
2. Preprocesamiento:
   • Imputación de valores "NO DETERMINADO"
   • Codificación One-Hot para variables categóricas
   • Normalización con MinMaxScaler
3. Automatización: Pipeline con ColumnTransformer + persistencia con joblib
4. Modelado: Entrenamiento con XGBoost (regresión) y validación con MAE y RMSE
5. Evaluación: El error promedio entre la predicción y el valor real fue de aproximadamente 844.85 soles peruanos (PEN).
6. Despliegue: Backend con API /predict y /get-options + frontend dinámico

---

📈 Evaluación del Modelo

Dispersión: Real vs Predicho

Error Absoluto vs Sueldo Real

Distribución del Error Absoluto

---

🧬 Importancia de Variables (XGBoost)

Feature Importance - Weight

Feature Importance - Gain

Feature Importance - Cover

---

Ejemplos de Perfiles Analizados (Visuales)

Estos perfiles visuales ayudan a contextualizar los escenarios laborales representados en el modelo:

Imagen	Descripción
	Varón obrero en Lima
	Mujer trabajadora en salud
	Varón en sector minería
	Técnico en industrias manufactureras
	Varón obrero en construcción

---

🧾 Licencia

Este proyecto es de uso académico y de investigación. Los datos pertenecen al MTPE y están bajo licencias de uso abierto.

---