Análisis de Predicción de Colocación de Estudiantes Basado en Aprendizaje Automático: Un Enfoque Impulsado por Datos para Mejorar la Empleabilidad

La predicción de colocación de estudiantes es una tarea crucial para las instituciones educativas y los reclutadores para optimizar los procesos de contratación en el campus. Este estudio emplea un enfoque basado en datos de aprendizaje automático para predecir los resultados de colocación estudiantil en función del rendimiento académico, actividades extracurriculares, certificaciones, puntajes de aptitud y calificaciones de habilidades blandas. Se analizó un conjunto de datos que comprende 10,000 registros de estudiantes, y se entrenaron múltiples modelos de aprendizaje automático, incluyendo LR, SVM, DT, RF, KNN y GNB. Para abordar el desequilibrio de datos, se utilizó SMOTE para asegurar un rendimiento robusto del modelo. La selección de características identificó CGPA, puntajes de exámenes de aptitud y entrenamiento en colocación como los factores más influyentes. Entre todos los modelos, RF logró la mayor precisión del 79.72%, superando a los métodos estadísticos tradicionales. El rendimiento del modelo se evaluó mediante métricas y análisis del tiempo de ejecución. Los hallazgos proporcionan valiosos conocimientos para los estudiantes, ayudándoles a entender los factores clave que influyen en el éxito de la colocación, y asisten a las instituciones en la mejora de programas de capacitación. Este estudio demuestra la efectividad del aprendizaje automático para aumentar la precisión en la predicción de colocación y sugiere posibles mejoras futuras utilizando técnicas de aprendizaje profundo para resultados más precisos.