Darbo užmokesčio modeliavimas leidžia įvertinti įvairių rodiklių daromą įtaką pajamoms, gali padėti įmonėms nustatyti optimalų atlyginimą. Be to, didelis skirtumas tarp darbdavio deklaruojamo ir modelio prognozuojamo darbo užmokesčio reikšmių galėtų identifikuoti galimus sukčiavimo atvejus, kai siekiama išvengti mokestinių prievolių sąmoningai nurodant mažesnį atlyginimą. Šiame darbe nagrinėjami gyventojų užimtumo statistinio tyrimo duomenys ir taikomi skirtingi mašininio mokymosi modeliai atlyginimo prognozavimui. Rezultatai rodo, kad darbo užmokestį tiksliausiai prognozuoja medžių ansambliu paremtas gradientinio auginimo metodas – XGBoost.
This work is licensed under a Creative Commons Attribution 4.0 International License.