APLICACIÓN Y ANÁLISIS DEL RENDIMIENTO DE ALGORITMOS DE APRENDIZAJE AUTOMÁTICO EN LA PREDICCIÓN DE CLASES SOCIALES

Resumen

Esta investigación tuvo como objetivo emplear algoritmos de aprendizaje automático para predecir la clase social con base en un conjunto de características individuales: ingresos, educación, raza, género, edad, región geográfica y situación laboral. El objetivo fue obtener la misma categorización de clases sociales para dos conjuntos de datos distintos: la PNAD-C del IBGE y la encuesta "Opinión sobre el Coronavirus" de Datafolha, con base en una categorización de referencia internacional, para analizar la opinión pública brasileña según la clase social. Para ello, entrenamos y evaluamos seis algoritmos de aprendizaje automático: clasificador MLP, Random Forest, KNN, regresión logística, SVM y GaussianNB, utilizando la base de datos anual PNAD-C, y posteriormente aplicamos el modelo con mejor rendimiento en la base de datos Datafolha, ambos de 2021. La elección del modelo se basó en los resultados de tres métricas de validación: precisión, puntuación F1 y área bajo la curva ROC. El modelo con mejor rendimiento fue Random Forest. El análisis de la aplicación de este modelo a la base de datos Datafolha reveló una correspondencia satisfactoria con la distribución original de las características de la PNAD-C, especialmente en las variables con mayor peso: educación, ingresos y situación laboral, lo que corrobora la literatura sobre estratificación social y aporta nuevas perspectivas sobre el tema.